CNN: Difference between revisions
From IT위키
No edit summary |
No edit summary |
||
| (2 intermediate revisions by one other user not shown) | |||
| Line 31: | Line 31: | ||
=== 필터 === | === 필터 === | ||
;Filter; 커널(Kernel)과 같은 의미로 쓰임 | ;Filter; 커널(Kernel)과 같은 의미로 쓰임 | ||
* 이미지의 특징을 찾아내기 위한 공용 파라미터 | |||
[[파일:CNN 필터.png]] | [[파일:CNN 필터.png]] | ||
=== 합성곱 === | === 합성곱 === | ||
;Convolution | ;Convolution | ||
* 이미지에 필터를 합성곱으로 적용 | |||
* 각 행렬 값을 곱하여 합산 | |||
[[파일:합성곱 절차.gif]] | [[파일:합성곱 절차.gif]] | ||
=== 풀링과 피처 맵 === | === 풀링과 피처 맵 === | ||
;Pooling & Feature Map | ;Pooling & Feature Map | ||
* 컨볼루션 레이어의 출력 데이터(Activation Map)의 크기를 줄이거나 특정 데이터를 강조 | |||
* Max Pooling과 Average Pooling, Min Pooling이 있는데, Max Pooling을 많이 사용 | |||
[[파일:CNN 풀링.png|500px]] | [[파일:CNN 풀링.png|500px]] | ||
== 합성곱 생성 절차 == | === 합성곱 생성 절차 === | ||
[[파일:CNN 절차.jpg|600px]] | [[파일:CNN 절차.jpg|600px]] | ||
== 참고 | == 효율 향상 모델 == | ||
=== EfficientNet === | |||
* Compound Scailing을 통해 적은 파라미터 수로 정확성과 효율성을 향상시킨 분류 모델 | |||
* AutoML 및 모델 확장을 통해 정확성과 효율성 향상 | |||
=== EfficientDet === | |||
* EfficientNet을 backbone으로 하고 BiFPN과 Compound Scailing을 조합 | |||
* 적은 파라미터로 효율적인 성능을 보이는 Object Detection 모델 | |||
== 참고 문헌 == | |||
* [http://taewan.kim/post/cnn/ CNN, Convolutional Neural Network 요약] | * [http://taewan.kim/post/cnn/ CNN, Convolutional Neural Network 요약] | ||
Latest revision as of 19:29, 12 February 2021
- Convolutional Neural Network; 합성곱 인공 신경망; 합성곱신경망
- CNN 처리 과정 도식화
- 실제 이미지 CNN 처리 과정 예시
구성 및 절차[edit | edit source]
- 대상을 채널별로 나누고, 정보 손실 방지를 위해 패딩을 적용한 후, 필터를 이용해 스트라이드 단위로 합성곱을 해서 피처 맵을 만들어냄. 빠른 처리를 위해 풀링 적용
- 채널(Channel)
- 패딩(Padding)
- 필터(Filter), 커널(Kernel)
- 합성곱(Convolution)
- 스트라이드(Strid)
- 액티베이션 맵(Activation Map)
- 풀링(Pooling) 레이어
- 피처 맵(Feature Map)
채널[edit | edit source]
- Channel
- 컬러 그림의 RGB 구분
- Red 채널, Green 채널, Blue 채널
패딩[edit | edit source]
- Padding
- 데이터 소실 및 경계 표현을 위한 테두리
필터[edit | edit source]
- Filter; 커널(Kernel)과 같은 의미로 쓰임
- 이미지의 특징을 찾아내기 위한 공용 파라미터
합성곱[edit | edit source]
- Convolution
- 이미지에 필터를 합성곱으로 적용
- 각 행렬 값을 곱하여 합산
풀링과 피처 맵[edit | edit source]
- Pooling & Feature Map
- 컨볼루션 레이어의 출력 데이터(Activation Map)의 크기를 줄이거나 특정 데이터를 강조
- Max Pooling과 Average Pooling, Min Pooling이 있는데, Max Pooling을 많이 사용
합성곱 생성 절차[edit | edit source]
효율 향상 모델[edit | edit source]
EfficientNet[edit | edit source]
- Compound Scailing을 통해 적은 파라미터 수로 정확성과 효율성을 향상시킨 분류 모델
- AutoML 및 모델 확장을 통해 정확성과 효율성 향상
EfficientDet[edit | edit source]
- EfficientNet을 backbone으로 하고 BiFPN과 Compound Scailing을 조합
- 적은 파라미터로 효율적인 성능을 보이는 Object Detection 모델
