CNN(Convolutional Neural Network, 합성곱 신경망)

• 이미지는 위치에 맞는 공강적인 특성을 가지고 있음

• 다층 퍼셉트론 신경망(MLP)은
  모든 입력 값을 Flatten으로 펴준 뒤에 연산하기 때문에 이런 공간적 특성을 잘 살려내지 못함

  • 기존 flatten 단점 : 공간 정보 소실

• CNN은 이미지 데이터 그대로 사용

  • 구조 : 특징 추출 부분, 분류를 위한 신경망

• 특징추출 부분(conv, pooling)

  • conv : 합성곱 필터 -> 왼쪽 위부터 슬라이딩
    • 결과 값 : feature map
    • 단점 : 아웃풋이 작아짐
  • Padding
    • 이미지 외부를 특정 값으로 처리
  • Stride
    • 필터가 이동하는 보폭
  • Pooling
    • 맥스
    • 평균
    • 학습하는 가중치가 없어서 채널수가 변하지 않음

• 사전 학습 모델

  • 대량의 데이터로 학습한 모델
  • 모델
    • VGG(13, 16, 19) : 모든 합성곱 필터(3x3), 활성화 함수 ReLU, 가중치 초기화 He, Dropout, Adam
    • GoogLeNet : 신경망 깊이 = 세로방향 + 가로방향, 가로방향으로 넓어지는것을 인셉션 구조라 한다. 병렬적으로 적용하여 다양한 특징을 추출 할 수 있다.
    • ResNet(152층) : Resodial Connection

• 전이 학습

  • 사전 학습 모델 가중치 -> 완전 연결 신경망
  • 가중치 고정 -> 빠르고 더 좋은 결과

• 이미지 증강

  • 이미지 변화 -> 데이터 양 증가