CNN(Convolutional Neural Network)

최근의 컴퓨터비전(Computer Vision, CV)은 대부분 convolution에 의존하고 있다. Weights를 공유하며, 특징을 추출하는 데 이만한 방법론을 찾기 어렵기 때문이다.

• Fully connected layers 대신 Convolutional layers를 사용할 때 이점
  • 변수 공유(Parameter sharing)
    A feature detector (such as a vertical edge detector) that's useful in one part of the image is probably useful in another part of the image.
  • 희소 연결(Sparsity of connections)
    In each layer, each output value depends only on a small number of inputs.
    
    
• 예시
  • 사물인식
    Object Detection (YOLO) + RCNN(Fast, Faster, MASK RCNN)
  • 포즈예측
    Pose Estimation (PoseNet)
  • 윤곽분류
    Instance Segmentation (Detectron)
    ...
    
    
• Convolution
  컨벌루션을 적용하면 입력의 모양(shape)이 효과적으로 변환된다.
  • filter
    edge를 검출(dectection)하는 역할
    가중치(weights parameters)의 집합으로 이루어져 가장 작은 특징을 잡아내는 창
    
    
  • padding
    padding을 더해서 convolution 하면 output이 변화하지 않게 만들 수 있다. 즉, output이 input과 동일한 형태가 나올 수 있게 된다. (원래는 output size 감소)
    
  • stride
    Zeros(또는 다른 값)를 이미지의 외각(가장자리)에 배치하여 conv를 할 때 원래 이미지와 같은 데이터 수를 가지도록 도와준다. (Stride=1일 때)
    • filter를 한번에 얼만큼씩 이동시킬 것인지 결정하는 수
    • Stride를 이용한 Convolution의 경우는 pooling이 자동으로 되는 방식이다.
      
      
• Pooling Layer
  pooling layer를 사용하여 피처맵의 차원 축소
  conv 적용 이후 레이어를 pooling하여 점점 더 작은 피처맵을 얻고, 이렇게 줄어든 피처들을 이용하여 ANN 형태의 신경망에 넣어 분류 또는 회귀 수행
  
  
  
• CNN 분류기
  
  
  
• 전이학습(Transfer Learning)

Reference

• C4W1L11 Why Convolutions
• Tensorflow로 인공신경망을 만든다는 것

Segmentation & Object Recognition

AutoEncoder(AE)

GAN(Generative Adversarial Network)