Day 2 - CNN: 합성곱 신경망과 컴퓨터 비전

이미지·영상은 픽셀 수가 막대해 완전연결(Dense) 신경망으로 직접 다루면 파라미터가 폭발하고 위치 불변성도 학습하지 못한다. 합성곱 신경망(CNN) 은 작은 필터를 이미지 전체에 슬라이딩하며 지역 패턴을 추출해 이 문제를 해결한다. MLS-C01은 CNN의 내부 수식보다 합성곱·풀링의 역할, 이미지 분류 vs 객체 탐지, SageMaker 빌트인/대표 구조 선택을 묻는다.

왜 완전연결이 아니라 합성곱인가

224×224×3 컬러 이미지를 Dense 층에 펼치면 입력 노드만 약 15만 개다. 첫 은닉층이 1000개면 가중치가 1.5억 개로 폭증한다. CNN은 세 가지 아이디어로 이를 해결한다.

• 지역 수용영역(local receptive field): 한 뉴런이 이미지 전체가 아닌 작은 영역만 본다.
• 가중치 공유(weight sharing): 같은 필터를 이미지 전 위치에 재사용 → 파라미터 급감.
• 이동 불변성(translation invariance): 고양이가 어디 있든 같은 필터로 검출.

💡 관련 이론: 가중치 공유는 "고양이 귀를 검출하는 필터"가 이미지의 어느 위치에 있든 동일하게 작동한다는 가정이다. 덕분에 학습할 파라미터가 줄고 적은 데이터로도 일반화가 좋아진다. 이는 이미지가 "공간적으로 평행이동해도 의미가 유지된다"는 성질을 모델 구조에 직접 새겨 넣은 귀납적 편향(inductive bias)이다.

합성곱 층(Convolution)