컨볼루션 신경망의 의미와 개념에 대해 알아봅시다.
컨볼루션 신경망의 의미와 개념을 이해합니다.
CNN(Convolutional Neural Network)은 이미지 형태의 데이터를 처리하는 데 적합한 인공 신경망 모델을 말합니다. Convolutional Neural Network는 인간 시각 피질의 구조를 모방합니다. 데이터 분석 모델. 컨볼루션 신경망(Convolutional Neural Network)은 데이터의 주요 특징을 추출하여 데이터의 차원에 따라 1차원 컨볼루션 신경망, 2차원 컨볼루션 신경망, 3차원 컨볼루션 신경망으로 표현하는 구조입니다. CNN(Convolutional Neural Network)은 데이터의 공간적 특징을 추출합니다. 잘 보존하고 인공신경망으로 전달할 수 있는 기술이다. Convolutional Neural Network는 이미지와 같은 2차원 데이터를 학습하는데 적합한 구조를 가지고 있습니다. 컨볼루셔널 신경망(Convolutional Neural Network)은 심층 신경망(DNN)의 일종으로 컨볼루셔널 신경망(Convolutional Neural Network)입니다. 역전파 알고리즘을 통해 학습할 수 있습니다. 여기서 DNN(Deep Neural Network)은 복잡한 패턴을 인식하고 학습하는 여러 계층으로 구성된 인공 신경망 구조입니다. 인공지능(AI) 기술을 말합니다. CNN(Convolutional Neural Networks)은 이미지 인식부터 객체 분류 또는 이미지 내 객체 감지에 이르기까지 다양한 응용 분야에서 사용됩니다.
컨벌루션 신경망 의미 및 개념 설명
CNN(Convolutional Neural Network)은 영상 인식에 필요한 인공 신경망 기술을 말합니다. 컴퓨터 비전 분야에서 주로 사용되는 인공신경망 모델입니다. 컨벌루션 신경망(Convolutional Neural Network)은 이미지 데이터를 학습하고 인식하는 데 특화된 알고리즘입니다. 컨벌루션 신경망은 이미지를 픽셀 단위로 처리합니다. 경계를 감지하고 비슷한 색상 부분을 모아 각 픽셀 주변의 특징을 활용해 학습하는 인공신경망(신경망) 기술이다. 컨벌루션 신경망은 데이터의 공간적 특성을 보존하며 인공 신경망으로 전달될 수 있습니다. 단순한 다중 일반 퍼셉트론 형태의 인공신경망으로는 구현할 수 없는 공간적 특성을 잘 보존할 수 있는 영상인식에 특화된 기술입니다. CNN(컨벌루션 신경망)은 컨볼루션 계층, 풀링 계층 및 완전 연결 계층으로 구성됩니다.[합성곱 신경망 구성]
CNN(Convolutional Neural Network)에서는 Convolution, Pooling, Fully Connected Layer를 반복적으로 학습함으로써 이미지나 영상 인식에 대한 높은 정확도를 달성할 수 있습니다. 합성 컨볼루션 레이어(Convolution Layer)는 입력된 이미지 데이터에서 특정 영역의 특징을 추출하는 레이어를 의미합니다. 이미지 처리 소프트웨어에서는 가장자리를 강조하는 필터처럼 직선이나 곡선과 같은 경계를 감지합니다. 풀링 레이어는 콘볼루션 레이어에서 추출된 특징에 포함된 노이즈의 영향을 줄이고 해당 특징이 움직임 등에 의해 사라지지 않도록 강조하는 레이어를 말한다. 콘볼루션은 콘볼루션의 가장 중요한 핵심 연산이다. 신경망. 입력된 데이터에 필터를 적용합니다. 컨볼루션(Convolution)은 특정 패턴으로 변환하기 위해 수행되는 행렬 연산입니다. 패턴을 결정하는 특정 숫자의 조합이 포함된 행렬이 사용됩니다. 필터는 입력된 이미지 데이터에 대한 연산을 수행하기 위해 준비된 배열을 의미합니다. 컨벌루션 신경망 필터의 내용에 따라 영상의 특징을 강조하거나 윤곽선을 추출할 수 있다. 컨볼루션 필터는 이미지 처리 소프트웨어에 사용되는 기술입니다. 2차원 필터는 사각형 모양의 벡터로 정의됩니다. 특징 맵은 특정 속성을 추출하고 입력 이미지를 검색하여 입력 이미지의 일부를 선택합니다. 벡터의 내적을 계산하여 생성됩니다. 풀링 작업에서는 필터의 크기를 설정하고 해당 크기의 필터를 특징 맵에 적용하여 각 부분의 최대값, 최소값, 평균값을 구합니다. 여기서 계산된 풀링은 각각 최대 풀링, 최소 풀링, 평균 풀링입니다. 완전 연결 계층(Fully Connected Layer)은 일반적인 퍼셉트론과 동일한 형태를 갖습니다. 컨볼루션 레이어와 풀링 레이어를 거쳐 관련 특징을 추출하고, 특징을 요약한 특징 맵을 1차원으로 축소하여 데이터 분류나 데이터 객체 인식 등의 데이터 분석 작업을 수행합니다. 그리고 1차원 데이터를 병합하기 위해 완전 연결 레이어(Fully Connected Layer)를 추가한 구조입니다. 컨볼루셔널 신경망을 기반으로 한 대표적인 모델로는 AlexNet, ResNet, YOLO 등이 있습니다.[합성 신경망의 대표적인 모델]
AlexNet은 이미지 인식 대회에서 우승할 만큼 높은 성능을 지닌 이미지 분류 모델로 컨볼루셔널 신경망 기반 모델의 가능성을 보여주는 방법이다. ReLU 함수를 활성화 함수로 사용하고, 8개의 레이어를 사용하여 레이어를 더 깊게 중첩하는 구조를 사용합니다. RestNet은 AlexNet보다 더 깊은 레이어 구조를 사용하여 더 높은 성능을 발휘하는 기술입니다. YOLO(You Only) Look Once)는 컨볼루션 신경망 원리를 객체 검출 알고리즘 기술로 활용하는 방식으로 객체 인식을 위한 정답과 비교하여 학습하는 방식이다. 이미지는 CNN(Convolutional Neural Network)을 통해 분류될 수 있는데, 예를 들어 고양이 사진이 주어지면 컴퓨터는 심층신경망 기법을 이용해 행렬로 표현된 필터의 각 요소를 데이터 처리에 적합하도록 자동으로 학습한다. 그 결과, 고양이 사진이 고양이임을 인식하고 고양이로 분류할 수 있게 된다. 합성 신경망의 구조는 크게 필터링 과정과 분류 과정으로 구성된다. 이미지의 특징을 추출하는 부분과 클래스를 분류하는 부분입니다.[합성 신경망의 구조]
이미지 특징을 추출하는 부분은 여러 개의 컨볼루션 레이어를 쌓고 히든 레이어에 속한 풀링 레이어로 구성됩니다. 그리고 합성 레이어에서는 입력 데이터에 필터를 적용합니다. 다음 활성화 함수를 반영하며 풀링 레이어에서 선택적 레이어 역할을 합니다. 그리고 완전 연결 계층은 최종적으로 이미지 분류 역할을 합니다. 합성 신경망(Synthetic Neural Network)은 입력된 이미지 데이터를 필터로 순회하여 컨볼루션(Convolution)을 계산하여 이미지의 특징을 추출하고, 계산된 결과를 이용하여 특징 맵을 생성하는 구조입니다.[합성 신경망의 구조]
합성신경망의 구조와 과정 입력(고양이 이미지) →
[Hidden Layers]
컨볼루션 + ReLU → 풀링 → 컨볼루션 + ReLU → 풀링
[Classification]
→ Flatten → Fullu Connected → SoftMax → Output (Cat) 필터의 크기, 스트라이드 적용 여부, 패딩 적용 여부, Max Pooling 크기에 따라 합성 신경망의 출력 데이터 모양이 달라집니다.