CNN ( Convolution Neural Network )
합성곱을 사용한 신경망이다.
처리과정을 이미지로 확인해보자.
복잡해 보인다.
간략하게 설명을 하자면
Input으로 특정 이미지가 들어와서 Convolution Layer를 거쳐 Pooling Layer를 지난다.
Convolution Layer, Pooling Layer를 Feature Map Cycle이라 생각 했다.
그 이유는 해당 Layer를 지나면 Feature를 탐색하기 때문인데.. 해당 과정에 대한 이해를 해보자.
Convolution Layer
Convolution = 합성 곱
뭐랑 뭐를 합성 곱 시키는가?
합성 곱을 하면 뭐가 되는가?
위의 질문에 대한 대답을 아래에 적을 건데.. 사실 다 이해를 못해서 나중에 추가적인 설명을 붙일 거다.
합성 곱은 Input Image 혹은 Pooling Layer를 거친 Data에 Filter(Weight)를 합성 곱을 시켜준다.
출처 : http://deeplearning.stanford.edu/wiki/index.php/Feature_extraction_using_convolution
하나의 Filter를 가지고 Image를 합성 곱 시켜주므로써 Feature를 찾아내는데 보통 Filter는 3*3, 4*4로 이루어진다.
( 물론 개발하는 사람의 마음대로 filter를 조절할 수 있지만 효과적인 filter는 3*3, 4*4라 알려져 있다. )
또한 하나의 Filter로는 하나의 Feature map밖에 나오지 않기에, Filter는 여러 개를 사용하여 여러 개의 Feature map을 만든다.
Stride라는 Hyper-Paramter가 존재하는데 Stride는 filter가 몇칸을 이동할지 결정해주는 paramter이다.
위의 이미지에서는 Stride가 1인 경우이고, Stride가 2라면 (0,0)을 시작으로 다음 칸은 (0,1)이 아닌 (0,2)에서 합성 곱을 진행하는 것이다.
Stride는 작을 수록 Feature map을 잘 만들 수 있을까 하는 의문이 든다. 한번 테스트 해봐야 할 것 같다.
Feature Map은 원본 이미지보다 크기가 작아지기 때문에 연산을 위해 원본 이미지의 크기에 맞춰 줘야한다.
원본 이미지 크기만큼 빈 공간을 0으로 채워주는데 이 과정을 Padding이라고 한다.
출처 : https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/
Pooling Layer
이 과정은 Feature를 강조하기 위해 만들어진 층인데 N*N 크기의 영역을 1*1 크기로 확 줄여버린다.
Pooling은 3가지 방법이 있는데 Max, Avg, Min 이 있다.
N*N 크기의 영역에서 가장 큰 값, 혹은 해당 영역의 평균 값, 가장 작은 값을 골라서 1*1 크기로 압축 시킨다.
출처 : https://stackoverflow.com/questions/44287965/trying-to-confirm-average-pooling-is-equal-to-dropping-high-frequency-fourier-co
위의 Layer가 Feature Map을 생성하는 과정이다.
Filter가 여러 개이므로 Feature Map도 여러 개가 나온다.
이제 여기서 Classification을 해야되는데, FC Layer를 이용한다.
( FC Layer(fully Connection Layer)는 Dense Layer라고 불리기도 한다. )
FC Layer(Dense Layer)를 거치면 최종 Output이 나오는데 이를 softmax 를 이용해 Classification 하면 된다.
