6.1 KiB
잘 알려진 CNN 아키텍처
VGG-16
VGG-16은 2014년 ImageNet 상위 5개 분류에서 92.7%의 정확도를 달성한 네트워크입니다. 다음과 같은 계층 구조를 가지고 있습니다:
보시다시피, VGG는 전통적인 피라미드 아키텍처를 따르며, 이는 컨볼루션-풀링 계층의 연속입니다.
이미지 출처: Researchgate
ResNet
ResNet은 2015년 Microsoft Research에서 제안한 모델 계열입니다. ResNet의 주요 아이디어는 **잔차 블록(residual blocks)**을 사용하는 것입니다:
이미지 출처: 이 논문
Identity pass-through를 사용하는 이유는 이전 계층의 결과와 잔차 블록의 출력을 비교하여 차이를 예측하도록 하기 위함입니다. 그래서 이름이 *잔차(Residual)*입니다. 이러한 블록은 훈련이 훨씬 쉬우며, 수백 개의 블록으로 구성된 네트워크를 구축할 수 있습니다(가장 일반적인 변형은 ResNet-52, ResNet-101, ResNet-152입니다).
이 네트워크는 데이터셋에 따라 복잡성을 조정할 수 있는 것으로 생각할 수도 있습니다. 초기에는 네트워크를 훈련시키기 시작할 때 가중치 값이 작아 대부분의 신호가 identity 계층을 통해 전달됩니다. 훈련이 진행되고 가중치가 커지면서 네트워크 매개변수의 중요성이 증가하고, 네트워크는 훈련 이미지의 정확한 분류를 위해 필요한 표현력을 수용하도록 조정됩니다.
Google Inception
Google Inception 아키텍처는 이 아이디어를 한 단계 더 발전시켜, 각 네트워크 계층을 여러 경로의 조합으로 구성합니다:
이미지 출처: Researchgate
여기서 1x1 컨볼루션의 역할을 강조할 필요가 있습니다. 처음에는 1x1 필터로 이미지를 처리하는 것이 이해되지 않을 수 있습니다. 하지만 컨볼루션 필터는 여러 깊이 채널(RGB 색상, 이후 계층에서는 다양한 필터의 채널)에서도 작동하며, 1x1 컨볼루션은 서로 다른 학습 가능한 가중치를 사용하여 이러한 입력 채널을 혼합하는 데 사용됩니다. 이는 채널 차원에서 다운샘플링(풀링)으로도 볼 수 있습니다.
1x1 컨볼루션에 대한 좋은 블로그 글과 원본 논문을 참고하세요.
MobileNet
MobileNet은 크기가 작아 모바일 기기에 적합한 모델 계열입니다. 자원이 부족하고 약간의 정확도를 희생할 수 있다면 사용하세요. MobileNet의 주요 아이디어는 **깊이별 분리 컨볼루션(depthwise separable convolution)**으로, 공간 컨볼루션과 깊이 채널에 대한 1x1 컨볼루션의 조합으로 컨볼루션 필터를 표현할 수 있습니다. 이는 매개변수 수를 크게 줄여 네트워크 크기를 작게 만들고, 적은 데이터로도 훈련하기 쉽게 만듭니다.
MobileNet에 대한 좋은 블로그 글을 참고하세요.
결론
이 단원에서는 컴퓨터 비전 신경망의 주요 개념인 컨볼루션 네트워크에 대해 배웠습니다. 이미지 분류, 객체 탐지, 심지어 이미지 생성 네트워크를 지원하는 실제 아키텍처는 모두 CNN을 기반으로 하며, 더 많은 계층과 추가적인 훈련 기법이 포함되어 있습니다.
🚀 도전 과제
첨부된 노트북의 하단에는 더 높은 정확도를 얻는 방법에 대한 메모가 있습니다. 실험을 통해 더 높은 정확도를 달성할 수 있는지 확인해 보세요.
강의 후 퀴즈
복습 및 자기 학습
CNN은 주로 컴퓨터 비전 작업에 사용되지만, 고정 크기 패턴을 추출하는 데 일반적으로 유용합니다. 예를 들어, 소리를 다룰 때도 CNN을 사용하여 오디오 신호에서 특정 패턴을 찾을 수 있습니다. 이 경우 필터는 1차원(1D-CNN)일 것입니다. 또한, 비디오에서 특정 이벤트가 발생하는 것과 같은 다차원 공간에서 특징을 추출하기 위해 3D-CNN이 사용되기도 합니다. CNN으로 수행할 수 있는 다른 작업에 대해 복습하고 자기 학습을 해보세요.
과제
이 실습에서는 다양한 고양이와 개 품종을 분류하는 작업을 수행합니다. 이 이미지는 MNIST 데이터셋보다 더 복잡하고 차원이 더 크며, 클래스도 10개 이상입니다.
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 권위 있는 출처로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.