[딥러닝, CV] CNN 기본, 전이 학습 개념

합성곱 층(Convolution layer)

• 합성곱 신경망의 특징을 추출하는 층 중 하나입니다.
• 일정 격자 형태를 가진 이미지 데이터를 보다 작거나 같은 격자의 필터로 정해진 stride(필터가 움직이는 간격)에 따라 합성곱을 진행합니다.
• 합성곱은 이미지 데이터의 (0, 0)부터 (-1, -1)까지 필터의 격자에 해당하는 값과 곱하여 모두 더하는 과정입니다.

패딩(Padding)

• 합성곱 과정에서 output의 shape을 input과 맞추기 위해 사용합니다.
• 또한, 이미지 데이터의 각 격자값을 가능한 균형있게 사용하기 위해 해주는 작업입니다.
• 일반적으로 이미지 격자의 테두리에 0 값으로 둘러주는 작업을 하게 됩니다.

스트라이드(Stride)

• 합성곱 과정에서 필터가 slide할 때 움직이는 간격값입니다.
• stride가 작을수록 더 세세하게 데이터의 각 격자값을 반영하는 반면, 클수록 더 rough하게 데이터를 반영하게 됩니다.

풀링(Pooling)

• 합성곱 과정 후 output인 feature map에 적용하는 과정입니다.
• 필터와 비슷하지만 정해진 shape에서 가장 큰 값을 고른다든가(Max Pooling) shape 내의 값을 평균한다든가(Average Pooling)의 방식을 사용합니다.
• 일반적으로 격자의 크기와 stride 값을 갖게 하여 최대한 데이터가 중복되지 않게합니다.
• 합성곱 필터링과 다르게 가중치가 없고 채널 수에 변화를 주지 않는다는 특징이 있습니다.

전이 학습(Transfer Learning)

• 사전 학습 된 모델(아주 큰 데이터를 이미 학습한 모델)의 가중치를 그대로 가져와 신경망의 뒷단인 완전 연결 신경망 부분만 추가로 설계하여 학습시키는 방법입니다.
• 아무래도 사전에 잘 학습된 모델의 가중치를 가져오기 때문에, 데이터 수집/모델 구축 등의 시간에서 효율적인 면이 있습니다.
• 대표적으로 VGG, GoogLeNet, ResNet 등이 있습니다.