[TIL_Carrotww] 29 - 22/10/13

📝Carrotww의 코딩 기록장

🧲 딥러닝 CNN

🔍 합성곱
합성 곱이란 예전부터 컴퓨터가 이미지 처리를 했던 방식이다.

위 입력 데이터 부분에서 필터와 같은 크기만큼 나눈 후 각 색의 네모칸과 필터의 같은 캍을 곱한후 모두 더하면 출력값이 나온다.
즉 빨간 네모칸 -> 15
파란 네모칸 -> 16
...

위 합성곱을 딥러닝에서 사용할 수 있게 해준 논문이다.
르쿤 교수는 위 신경망 디자인을 합성곱 신경망(CNN) 이라고 명칭하였으며 이미지 처리에서 엄청난 성능을 보여준다.
해당 구조는 이미지 처리에서 현재 가장 보편적으로 사용되는 네트워크 구조이다.

🧲 합성곱 신경망의 합성곱 계층(Convolution layer)

위 그림처럼 5 5 크기의 입력을 3 3의 필터를 사용하여 합성곱을 하면 3 * 3 크기의 특성맵이 나오며, 위 그림과 같이 이동하는 간격을 '스트라이드(stride)' 라고 한다.
계속 연산을 하게되면 특성 맵의 크기가 계속 줄어드는 현상이 나타나고, 이를 방지하고자 패딩 또는 마진 을 주어 스트라이드가 1일 때 입력값과 특성 맵의 크기를 같게 만들 수 있다.
위 그림과 같이 3차원에서도 가능하다.

🧲 CNN 활용

🔍 물체 인식
Yolo 모델 테스트 github 링크

yolo는 매우 빠른고 정확도가 높기 때문에 모바일 등 여러 분야에서 사용중이다.

🔍 이비지 분할

이미지에서 각 오브젝트가 속한 픽셀을 분리하여 처리해 주는 것이다.

• 위 두 기술을 이요하여
  자율주행에서의 물체 인식, 자세 인식, 화질 개선 등 활용될 수 있는 분야가 많다.

🧲 GAN

🔍 CNN의 한 종류로 여러 활용된 종류가 있었지만 GAN이 가장 특이하고 재밌어서 정리해본다.

💡 Generative Adversarial Network (GAN) 이란
서로 적대하는 관계의 2가지 모델을 동시에 사용하는 기술이다.
적대 관계란 이미지를 생성하는 생성자, 해당 이미지를 판별하는 식별자 두 모델을 사용하는 것인데, 보통 생성자를 학습시기키 위해 사용한다.

위 그림과 같이 생성자가 위조 지폐를 생성한다고 예를 들면 식별자는 이를 판별하는 경찰이다. 그렇다면 GAN 은 위 행위를 계속 반복하여 생성자는 더욱 지폐같은 위조 지폐를, 식별자는 더욱 정교하게 판별하는 판별 모델이 만들어 지게 되는 것이다.

동물임을 판별하는 식별자, 만들어내는 생성자가 있다면 위와 같이 input은 random 값, output은 0은 가짜 1은 진짜로 주어지게 설계하여

생성자는 output이 1이 나오게 노력하기 위해 1과 예측의 차이인 손실을 줄이기 위하여 Backpropagation을 이용한 weight를 조정할 것이다.

식별자는 가짜 이미지와, 진짜 이미지를 모두 학습하여 input 예측과 타깃의 손실을 줄여 나가며 학습할 것이다.

위 행위를 반복하여 두 모델이 대립하여 에폭이 지날때마다 더욱 정교하게 생성해나갈 것이다.