[광주인공지능학원] CNN

MLP 이미지 분석

픽셀 값을 판단하여 학습을 하기 때문에 픽셀 값에 엄청 종속적임 그래서 같은 크기의 사진에 위치나, 크기가 다른 같은 그림이여도 같은 사진이라고 인식을 잘 못한다.

 

위와같이 한 픽셀씩만 왼쪽으로 이동해도 인식을 잘 못하는 경우 발생한다.

이와같은 문제를 해결하기 위해서 특징을 추출하여 학습을 시키는 방법이 나오게 되었다.

 

 

CNN

이렇게 특징을 추출하면 사진을 회전을 시켜도 그 특징은 그대로 있다는 것을 알 수 있다.

 

합성곱 신경망(Convolutional neural network, CNN)은 시각적 영상을 분석하는 데 사용되는 다층의 피드-포워드적인 인공신경망의 한 종류이다. 딥러닝에서 심층 신경망으로 분류되며, 시각적 영상 분석에 주로 적용된다.

영상 및 동영상 인식, 추천 시스템, 영상 분류, 의료 영상 분석 및 자연어 처리 등에 응용된다.

 

합성곱 신경망은 정규화 된 버전의 다층 퍼셉트론이다. 다층 퍼셉트론은 일반적으로 완전히 연결된 네트워크, 즉 한 계층의 각 뉴런이 다음 계층의 모든 뉴런에 연결되는 신경망 구조이다. 이와 같이 네트워크가 완전 연결된 경우 주어진 데이터에 과적합 되는 경향이 있다. 일반적인 정규화를 위해 최적화 함수에 특정 척도를 추가하는 방법이 흔이 쓰이지만, CNN은 정규화를 위한 다른 접근 방식을 취한다. 데이터에서 계층적 패턴을 활용하고 더 작고 간단한 패턴을 사용하여 더 복잡한 패턴을 표현함으로써 정규화와 같은 효과를 내는 것이다. 따라서 합성곱 신경망의 연결 구조의 복잡성은 유사한 기능의 다층 퍼셉트론에 비해 극단적으로 낮다.

 

합성곱 신경망은 뉴런 사이의 연결 패턴이 동물 시각 피질의 조직과 유사하다는 점에 영감을 받았다. 개별 피질 뉴런은 수용장(receptive field)으로 알려진 시야의 제한된 영역에서만 자극에 반응한다. 상이한 뉴런의 수용 필드는 전체 시야를 볼 수 있도록 부분적으로 중첩된다.

 

 

MLP는 Classifier밖에 없었으나, CNN은 Feature Extractor가 주요한 특징들을 뽑은 뒤, Classifier에게 넘겨 앞의 특징을 기반으로 학습을 진행Classifier = MLP

 

합성곱 신경망을 이용한 영상 분류는 다른 영상 분류 알고리즘에 비해 상대적으로 전처리를 거의 사용하지 않는다. 이는 신경망이 기존 알고리즘에서 수작업으로 제작된 필터를 학습한다는 것을 의미한다. 기존 영상 분류 알고리듬에서 설계자가 영상의 특징들을 미리 이해해 알고리듬을 만드는 과정이 없는 것이 합성곱 신경망의 주요한 장점이다.

 

합성곱 신경망은 크게 합성곱층(Convolution layer)과 풀링층(Pooling layer)으로 구성된다.

 

 

www.smhrd.or.kr

스마트인재개발원