CNN (Convolutional Neural Network)

I. 2차원 이미지 분석, CNN

가. CNN의 개념

• Convolution, Pooling, Fully Connected layer를 통해 특징 추출, 차원 축소하여 이미지를 분류, 인식하는 신경망 알고리즘

나. CNN의 특징

ReLU	– Rectified Linear Unit 활성화 함수 – Gradient Vanishing 문제 해결
Dropout	– 인공 신경망의 Overfitting 방지 위해 특정 뉴런 미동작 학습 수행
Bigdata	– 과적합(Overfitting) 문제 해결 – 여러 데이터의 경험 누적

II. CNN 알고리즘 및 기술 요소

가. CNN 알고리즘

항목	설명
동작 매커니즘	– Convolution layer를 통한 특징(feature) 추출 – Pooling layer를 통한 차원 축소 – fully connected layer를 통한 최종 분류 – 필요 시 가장자리 ‘0’ Padding 추가 여부 검토
Convolution 동작 방식	– 필터를 이미지에 적용하여 Feature Map 생성 – FMij = ∑FmnGxy
Pooling 동작 방식 (Sub Sampling)	– m x m의 Feature Map을 n x n 행렬로 차원 축소 – Max 및 Average Pooling 을 활용

• Convolution으로 Feature Map 생성, Pooling으로 차원 축소

나. CNN 알고리즘 기술 요소

구분	기술 요소	설명
Layer 구성	Convolution Layer	– 합성곱(Convolution) 연산을 통해 Feature를 추출하는 레이어
	Pooling Layer	– Sub Sampling을 통한 차원의 축소 – Max, Average pooling 활용
	Fully Connected Layer	– Convolution, Pooling 처리결과 – 선형으로 연결하여 이미지 분류
성능 개선	ReLU	– Rectified Linear Unit 활성화 함수 – Gradient Vanishing 문제 해결
	Dropout	– 인공 신경망의 Overfitting 방지 위해 특정 뉴런 미동작 학습 수행
	Bigdata	– 과적합(Overfitting) 문제 해결 – 여러 데이터의 경험 누적

• CNN 알고리즘은 주로 정지 이미지 분류 활용, DNN, RNN 존재

III. CNN, DNN, RNN 비교

항목	CNN	DNN	RNN
개념	– 합성곱신경망	– 심층신경망	– 자가순환신경망
특징	– Convolution – Pooling	– 오류역전파 – 가중치 조정	– 자가 순환 – 차기값 예측
한계	– 시계열 데이터 부족	– 과적합 발생 – 시간 복잡도	– 이전 데이터 Loss 발생
사례	– 정지 이미지 분석	– 구글 tensorflow – FB deepface	– 자연어 처리 – 필기체 인식

• 분석하고자 하는 대상에 따라 인공지능 알고리즘을 도입하여 목표하는 정보 수집, 처리 가능