최대 풀링2 38번째 이야기 - 풀링층, 이미지 압축 작용, 최대 풀링, 커널 윈도우 ● 풀링층을 사용하는 이유를 정리해봅시다. CNN에서는 합성곱 층에서 수많은 합성곱 필터를 사용합니다. 즉, 합성곱 연산의 결과 출력되는 특징맵의 깊이가 깊어지고, 파라미터의 수가 기하급수적으로 증가하게 됩니다.● 이때, 풀링층을 사용하면 중요한 특징을 간직하면서도 이미지의 크기를 줄여 다음 층에 전달할 수 있게 됩니다(물론 세세한 모든 특징을 다 전달할 수는 없습니다. 하지만 중요한 특징은 기억하여 보냅니다.).● 이미지를 압축하면 해상도가 떨어집니다. 그러나 즁요한 특징을 유지하면서 용량을 줄여주는 효과가 있습니다. 바로 풀링층은 합성곱 층에서 '이미지 압축 작업'의 역할을 합니다. ● 그러나 최근에는 풀링층을 배제하고, 합성곱 층만을 활용해 CNN을 구성하는 방법이 많이 제안되고 있습니다. 왜 그.. 2024. 6. 2. 37번째 이야기 - 풀링, 풀링 연산, 최대 풀링, 평균 풀링 ● 합성곱층에서는 합성곱 연산이 이루어지듯, 풀링층에서도 풀링 연산이 행해집니다. 풀링 연산에는 최대 풀링과 평균 풀링이 있습니다. 먼저 가장 흔히 쓰이는 최대 풀링을 살펴보죠.● 합성곱 커널처럼 최대 풀링에도 커널이 존재합니다. 이 최대 풀링 커널에도 윈도우 크기와 스트라이드가 존재합니다. 그런데 합성곱 커널과의 차이점은 행렬에 가중치가 없다는 점입니다. ● 즉, 최대 풀링층에서는 최대 풀링 커널이 합성곱 층에서 받은 특징맵 위를 사전에 지정한 스트라이드 값 간격으로 돌아다니는데, 커널 윈도우 내에 들어온 픽셀 값의 최대값을 찾아 이를 출력 이미지의 픽셀 값으로 삼는 것입니다. ● 위의 그림은 스트라이드가 2인 2×2 크기의 풀링 필터가 4×4의 특징 맵을 2×2로 축소시킨 예입니다. ● 이때, 커.. 2024. 6. 2. 이전 1 다음
