Convolutional Neural Networks (CNNs)는 시각적 데이터를 처리하기 위해 주로 사용되는 깊은 학습 모델의 클래스입니다. 그들은 자동으로 설계되고 백 프로브로테이션을 통해 기능의 공간 계층을 배울 수 있습니다. CNN의 원칙, 계산 및 응용 프로그램을 이해하는 것은 효과적인 기계 학습 솔루션을 개발하는 데 필수적입니다.

CNN 디자인의 원칙

CNNs 뒤에 핵심 아이디어는 인간 두뇌의 시각적인 가공 체계를 mimic에 입니다. 그들은 지역 특징을 검출하기 위하여 복잡한 층을 이용합니다, 차원을 감소시키기 위하여 층을 풀고, 분류를 위한 완전히 연결한 층을 완전히 연결했습니다. Proper 디자인은 층의 수, 여과기 크기 및 성과를 낙관하기 위하여 활성화 기능을 선정하는 포함합니다.

CNNs의 계산

CNNs의 계산은 입력 데이터에 필터를 슬라이딩하여 기능 맵을 계산하는 복잡한 작업을 포함한다. 단일 복잡한 작업의 공식은 다음과 같습니다.

입력 = 합계 (입력 세그먼트 × 필터 무게) + Bias

풀링 레이어는 일반적으로 최대 또는 평균 풀링을 사용하여 공간 크기를 줄일 수 있습니다. ReLU와 같은 활성화 기능은 비선형성을 도입하고 네트워크가 복잡한 패턴을 배우도록합니다.

CNNs의 응용

CNN은 이미지 및 비디오 인식, 의료 이미지 분석, 자율주행 차량 및 얼굴 인식 시스템을 포함한 다양한 분야에서 널리 사용됩니다. 이러한 기능을 자동으로 추출하는 능력은 시각적 데이터를 포함하는 작업에 매우 효과적입니다.

  • 이미지 분류
  • Object Detection(데이터 분석)
  • 얼굴 인식
  • 의료영상분석