CNN의 구조와 처리 과정

 

이 글은 다음 블로그(라온피플)를 보고 정리하며 공부한 내용입니다. 

https://laonple.blog.me/220608018546

[Part Ⅳ. CNN] 3. CNN의 구조 - 라온피플 머신러닝 아카데미 -

 

 

CNN의 구조와 처리 과정

 

Input - Feature Extraction - Shift and distortion invariance - Classification - Output

 

인풋 이미지 - 특징 추출 - topology 변화에 영향을 받지 않도록 하는 단계 - 분류기 - 아웃풋

 

 

CNN에 특징을 추출하는 단계가 포함되어 있어 raw image에 대해 직접 operation이 가능하며 기존 알고리즘과 달리 별도의 전처리 단계가 필요하지 않다.

 

 

특징 추출과 topology invariance를 얻기 위해 filter와 sub-sampling을 거친다. 이 과정을 여러번 반복적으로 수행하여 local feature로부터 global feature를 얻어낸다. (convolution층과 (max)pooling층을 반복적으로 쌓음으로써 global feature를 얻어낸다. )

 

CNN의 구조

 

 

대부분의 영상인식 알고리즘에는 특징을 추출하기 위해 filter를 사용한다. 보통 필터는 5x5 혹은 3x3과 같은 작은 영역(receptive field)에 대해 적용하며 필터에 사용에는 계수들의 값에 따라 다른 특징을 얻을 수 있다. (opencv 실습을 해보면 알 수 있음)

 

CNN에서 사용하는 filter 혹은 convolutional layer는 학습을 통해 최적의 계수를 결정할 수 있게 하는 점이 다르다. 

 

 

RGB 영상의 경우 필터 처리 방식

 

 

 

필터가 여러개인 경우

 

 

 

subsampling은 고정된 위치에 있는 픽셀을 고르거나 subsampling window 안에 있는 픽셀들의 평균을 취한다. CNN에서는 (보통?) Maxpooling 방식의 subsampling 과정을 거친다. subsampling window 안에 있는 픽셀들 중 가장 큰 값을 선택한다. 

 

 

 

Max-Pooling

 

 

 

이동이나 변형 등에 무관한 학습 결과를 보이려면 (변화에 민감하지 않으려면) 더 강하고 global한 특징을 추출해야한다. 이를 위해 Convolution과 Subsampling 과정을 여러 번 거친다. 

 

 

이 특징을 Fully-Connected Network(FCN)를 통해 학습시키게 되면 2차원 영상정보로부터 receptive field와 강한 신호 선택의 특성을 살려 topology(위상?) 변화에 강인한 인식 능력을 갖게된다.