CNN(Convolutional Neural Network)

by

CNN(합성곱 신경망, Convolutional Neural Network)은 이미지나 영상 데이터를 처리하는 데 특화된 딥러닝 알고리즘입니다. 인간의 시각 시스템을 모방하여 패턴을 자동으로 학습하며, 특히 이미지 분류, 객체 탐지, 영상 처리 등에 널리 사용됩니다.

🔹 CNN의 핵심 개념

CNN은 일반적인 신경망(MLP, Multi-Layer Perceptron)과 달리 이미지의 공간적 구조를 유지하면서 중요한 특징을 추출합니다.

CNN은 주로 다음 4가지 주요 계층으로 구성됩니다.
1️⃣ 합성곱층(Convolution Layer)
2️⃣ 활성화 함수(ReLU, Rectified Linear Unit)
3️⃣ 풀링층(Pooling Layer)
4️⃣ 완전 연결층(Fully Connected Layer, FC)

🟢 1. 합성곱층 (Convolution Layer) – 특징 추출

CNN의 핵심 개념은 합성곱 연산(Convolution)입니다.

  • 이미지는 픽셀(숫자로 표현됨)의 집합이며, CNN은 작은 필터(커널)를 사용해 이미지에서 중요한 특징을 찾습니다.
  • 커널(Filter): 작은 크기의 행렬(예: 3×3, 5×5)로 구성되며, 이미지를 슬라이딩하며 특징을 추출합니다.
  • 이 과정에서 엣지(경계), 텍스처(질감), 색상 패턴 등을 감지합니다.

📌 예제: 3×3 커널을 사용하여 엣지를 감지하는 과정

입력 이미지 (5×5)  
1  2  3  0  1  
4  5  6  1  2  
7  8  9  2  3  
2  3  4  1  0  
0  1  2  3  4  

3×3 필터 (커널)  
0 -1  0  
-1 4 -1  
0 -1  0  

합성곱 결과 (출력)  
  1  -1   2  
 -1   4  -1  
  2  -1   1

✔ 이렇게 각각의 필터가 다른 특징(엣지, 모양, 패턴 등)을 감지합니다.

🟢 2. 활성화 함수 (ReLU) – 비선형성 추가

CNN에서는 주로 ReLU(Rectified Linear Unit) 활성화 함수를 사용합니다.
ReLU는 음수 값을 0으로 변환하고, 양수는 그대로 유지하여 신경망의 **비선형성(Non-linearity)**을 추가합니다.

📌 수식f(x)=max⁡(0,x)f(x) = \max(0, x)f(x)=max(0,x)

✔ 이유: 이미지 데이터는 복잡한 패턴을 가지므로, 선형 모델보다 비선형 특성을 학습하는 것이 중요합니다.

🟢 3. 풀링층 (Pooling Layer) – 차원 축소

풀링(Pooling)은 특징을 유지하면서 데이터 크기를 줄이는 과정입니다.

  • 대표적으로 **최대 풀링(Max Pooling)**과 **평균 풀링(Average Pooling)**이 있습니다.
  • 보통 2×2 또는 3×3 크기의 필터를 사용하여 최대값 또는 평균값을 선택합니다.

📌 예제 (2×2 Max Pooling)

입력 (4×4)
1   3   2   4  
5   6   8   7  
2   9   3   1  
4   7   6   2  

Max Pooling 결과 (2×2 필터)
6   8  
9   7

✔ 이렇게 하면 데이터 크기를 줄여 계산량을 줄이고 과적합을 방지할 수 있습니다.

🟢 4. 완전 연결층 (Fully Connected, FC) – 최종 예측

CNN의 마지막 단계는 완전 연결층(FC, Fully Connected Layer)입니다.

  • 풀링층을 지나면 데이터가 평탄화(1차원 벡터로 변환)되고, 이를 일반적인 신경망(MLP)에 연결하여 최종 분류를 수행합니다.
  • 소프트맥스(Softmax) 활성화 함수를 적용해 각 클래스(예: 개, 고양이) 확률을 출력합니다.

📌 예제 (고양이 vs 개 분류)

[ 0.2, 0.8 ]  ->  "개" (확률 80%)

🔹 CNN 전체 흐름 정리

1️⃣ 입력 이미지 → 2️⃣ 합성곱 연산으로 특징 추출 → 3️⃣ ReLU 활성화 →
4️⃣ 풀링으로 차원 축소 → 5️⃣ FC 층에서 분류 → 6️⃣ 최종 예측

🔹 CNN이 강력한 이유

✅ 공간적 구조 유지 → 일반적인 신경망(MLP)과 달리, CNN은 이미지의 위치 정보를 보존
✅ 특징 자동 학습 → 사람이 직접 특징을 정의하지 않아도 됨
✅ 계산량 절감 → 합성곱과 풀링을 사용해 필요한 정보만 추출

🔹 CNN 적용 사례

📌 이미지 분류 → 얼굴 인식, 자율주행 자동차
📌 객체 탐지(Object Detection) → CCTV 감시, 의료 영상 분석
📌 자연어 처리(NLP) → 문서 요약, 감성 분석 (1D CNN 사용)

🔹 결론

CNN은 이미지 인식에 특화된 딥러닝 신경망으로,
1️⃣ 합성곱(Convolution)으로 특징 추출
2️⃣ ReLU 활성화로 비선형성 추가
3️⃣ 풀링으로 차원 축소
4️⃣ 완전 연결층에서 분류
이런 과정을 거쳐 이미지를 자동으로 분석합니다.

✅ CNN은 오늘날 AI에서 가장 중요한 기술 중 하나이며, 다양한 분야에서 사용됩니다! 🚀

Leave a Comment