CNN-1

CNN

• 특징추출
  • Convolution Layer
    • 이미지 특징 추출에 성능이 좋다.
    • 이미지와 필터 간 합성곱 연산을 해서 이미지 특징을 추출. 값이 같으면 위치가 달라도 같은 것이라고 인식.그래서 그래서 위치가 바뀌어도 이미지 식별 가능.
    • 값이 나온다는 것은 필터가 표현하는 이미지 특성이 존재한다는 것.
    • 동일한 index 값끼리 곱해서 더해줌. weight
    • 예시

    

    0x1 + 1x0 + 7x1 + 5x1 + 5x2 + 6x0 +5x3 + 3x0 + 3x1 = 40

    

    총 네번 실시해서 결과 값은 다음과 같음.

    

• 추론
  • Dense Layer
    • 이미지의 공간적 구조를 학습하는데 어려움. (위치만 바뀌어도 다른 값으로 인식)
    • weight가 많아 학습에 어려움이 있음.

• Handcraft 방식의 filter
  • 영상으로부터 윤곽선 특성을 찾기.
  • sobel 필터
    • X-Direction Kernel : 수평 윤곽선
    • Y-Direction Kernel: 수직 윤곽선
    • 이 필터를 만들어내서 특성을 추출하고, 이 특성을 머신러닝 모델의 입력으로 넣어 학습.

• Deep learing(CNN)에서의 Filter
  • 여러 층을 쌓는다. 작은 영역에서의 특징→ 큰 영역에서의 특징 ⇒ 결과

Convolution Layer 클래스 및 작동 방식

• torch.nn.Conv2d
  • Hyper parameter
    • in_channels: 입력 데이터의 channel size.
      • 채널 크기는 정해주어야함.
      • 입력 채널 수만큼 필터가 필요하기 때문에 명시하는 것.
    • out_channels: 출력 데이터의 channel size
    • kernel_size: filter의 크기
    • padding: 여백의 크기
      • same: input의 height와 width와 동일한 output이 나오도록 하는 padding (보통 이것을 사용)
      • valid: padding을 사용하지 않는다.

• input shape
  • 데이터 수, channel height width 순서

• feature 추출 연산

  

  • 필터의 크기(height, width)는 우리가 정함.
  • output은 하나의 feature map.

• padding
  • 특징
    • 가장자리 픽셀은 convolution 계산에 적게 반영.
    • 이를 해결하기 위해 사용하는 것이 zero padding. 가장자리를 0으로 둘러싸는 것.
    • feature map의 크기 조정 역할.
  • Strids
    • filter가 한 번 convolution 연산을 하고 얼마나 이동할지 설정. 보통 1
  • 참고
    • 3x3에 padding 1이면 원본과 같이 나옴.

Max Pooling Layer

• pooling Layer
  • feature map에서 영역 대표 값 하나 추출.
  • size 축소 효과.
  • Max, Average pooling이 있음.

• torch.nn.MaxPool2d
  • 가장 큰 값을 고르는 것 → weight 필요 없음.(Average Pooling도 필요x)
  • 강제 downsampling 효과. 계산속도 빨라짐.

• 추론기

• CNN architecture 예시

  

• 일반적으로 convolution layer와 pooling layer 구조를 여러 개 쌓음. 이를 Layer block이라고 함. 마지막에는 Fully connected layer를 이용해 추론.

Uploaded by N2T