6월22일 수업자료 입니다.
🖼️ CNN(합성곱 신경망) 요약 정리
1. CNN (Convolutional Neural Network)
CNN은 이미지 처리에 특화된 딥러닝 모델입니다.
일반 신경망보다 이미지의 특징을 더 효과적으로 학습할 수 있습니다.
활용 분야
얼굴 인식
객체 탐지
자율주행
의료 영상 분석
손글씨 인식
기본 구조이미지 ↓ Conv2D ↓ MaxPool2D ↓ Conv2D ↓ MaxPool2D ↓ Flatten ↓ Dense ↓ 출력 한 줄 요약
CNN = 이미지 특징을 자동으로 추출하는 딥러닝 모델
2. Conv2D (합성곱 층)
이미지를 작은 필터(Filter)로 훑으며 특징을 추출하는 층
예시
원본 이미지 1 0 1 0 1 0 1 1 0 ↓ 필터 적용 ↓ 특징 맵(Feature Map) 추출 가능한 특징
초기 층
선
모서리
윤곽선
깊은 층
눈
코
얼굴
물체
한 줄 요약
Conv2D = 필터로 이미지를 훑어 특징 추출
3. MaxPool2D (풀링 층)
특징 맵 크기를 줄이는 층
예시
원본 1 5 3 2 ↓ 최댓값 선택 ↓ 5
2×2 영역에서 가장 큰 값만 남깁니다.
효과
계산량 감소
학습 속도 향상
과적합 완화
한 줄 요약
MaxPool2D = 중요한 정보만 남기고 크기 축소
4. Flatten
2차원 특징 맵을 1차원 벡터로 변환
예시
2D 1 2 3 4 ↓ 1D [1, 2, 3, 4] 목적
Dense Layer 입력 형태로 변환
한 줄 요약
Flatten = 2차원 데이터를 1차원으로 펼치기
5. Softmax
다중 분류 문제에서 사용되는 활성화 함수
출력값을 확률로 변환합니다.
예시
고양이 : 0.10 강아지 : 0.85 토끼 : 0.05
합계
0.10 + 0.85 + 0.05 = 1 사용 예
숫자 분류
동물 분류
객체 분류
한 줄 요약
Softmax = 여러 클래스의 확률 출력
6. MNIST 데이터셋
손글씨 숫자 이미지 데이터셋
숫자
0 ~ 9
구성
학습 데이터 : 60,000장
테스트 데이터 : 10,000장
크기 : 28 × 28 픽셀
특징
딥러닝 입문용 대표 데이터셋
CNN 적용 시
정확도 99% 이상
달성 가능
한 줄 요약
MNIST = 손글씨 숫자 이미지 데이터셋
7. 데이터 증강 (Data Augmentation)
원본 이미지를 변형하여 학습 데이터를 늘리는 기법
예시
원본 이미지
↓
회전
확대
축소
이동
반전
↓
새로운 학습 이미지 생성
목적
데이터 부족 해결
일반화 성능 향상
과적합 감소
한 줄 요약
데이터 증강 = 이미지를 변형하여 데이터 수 증가
8. 전이 학습 (Transfer Learning)
이미 대량 데이터로 학습된 모델을 재사용하는 기법
예시
사전 학습 모델
↓
고양이·강아지·자동차 등을 이미 학습
↓
우리 데이터에 활용
장점
적은 데이터로 높은 성능
학습 시간 단축
한 줄 요약
전이 학습 = 기존 모델의 지식을 재활용
9. Fine-Tuning
사전 학습 모델의 일부 층을 다시 학습시키는 방법
과정
사전 학습 모델 로드
대부분 층 고정
출력층만 학습
일부 층 해동(Unfreeze)
미세 조정
효과
성능 향상
우리 데이터에 최적화
한 줄 요약
Fine-Tuning = 사전 학습 모델을 내 데이터에 맞게 미세 조정
10. MobileNetV2
모바일 환경을 위해 설계된 경량 CNN 모델
특징
빠른 속도
적은 메모리 사용
높은 성능
활용
스마트폰 앱
임베디드 장치
실시간 이미지 분류
한 줄 요약
MobileNetV2 = 가볍고 빠른 사전 학습 CNN 모델
한 줄 요약
CNN은 Conv2D와 MaxPool2D를 이용해 이미지 특징을 추출하고, Softmax로 최종 분류하며, 전이 학습과 Fine-Tuning을 통해 적은 데이터로도 높은 성능을 얻을 수 있다.