Day 2 - CNN: Convolutional Neural Networks and Computer Vision

📌 핵심 정리

• CNN은 지역 수용영역 + 가중치 공유 + 이동 불변성 세 가지로 이미지를 효율적으로 처리한다.
• 합성곱은 패턴을 추출하고, 풀링은 크기를 줄인다. 풀링에는 학습 파라미터가 없다.
• 분류(레이블) / 객체 탐지(박스+클래스) / 시맨틱 세그멘테이션(픽셀)을 정확히 구분해야 한다.
• ResNet의 잔차(skip) 연결은 100층 이상 깊은 망이 학습되지 않던 문제의 해법이다.
• SageMaker는 Image Classification·Object Detection·Semantic Segmentation 빌트인과 Ground Truth 라벨링을 제공한다.

왜 완전연결이 아니라 합성곱인가

이미지·영상은 픽셀 수가 엄청나다. 완전연결(Dense) 신경망에 그대로 넣으면 파라미터가 폭발하고 이동 불변성도 학습하지 못한다. 합성곱 신경망(CNN) 은 작은 필터를 이미지 전체에 밀어가며 지역 패턴을 뽑아 이 문제를 푼다.

• 224×224×3 컬러 이미지를 평탄화해 Dense 층에 넣으면 입력 노드가 약 15만 개다.
• 첫 은닉층이 1000개 노드면 가중치가 1억 5천만 개 — 폭발이다.