CNN(Convolutional Neural Networks)은 이미지 인식, 비디오 분석, 자연어 처리 및 기타 분야에 특히 적합한 딥 러닝 모델입니다. CNN의 디자인은 생물학적 비전 시스템에서 영감을 얻었으며 계층 구조를 사용하여 데이터의 로컬 특징과 글로벌 패턴을 포착합니다.

1950년대: Frank Rosenblatt는 최초의 신경망 모델 중 하나인 퍼셉트론을 제안했습니다.

1980년대: Yann LeCun과 다른 사람들은 필기 숫자 인식에 성공적으로 적용된 최초의 CNN인 LeNet-5를 제안했습니다.

1998년: Yann LeCun 등은 LeNet-5를 추가로 개발하고 손으로 쓴 우편번호 인식을 위해 LeNet-5의 개선된 버전을 제안했습니다.

2012년: Alex Krizhevsky와 다른 사람들은 ILSVRC(ImageNet Large-Scale Visual Recognition Challenge)에서 획기적인 결과를 달성한 최초의 CNN인 AlexNet을 제안했습니다.

2014: VGGNet은 ILSVRC에서 더 나은 결과를 달성하여 심층적인 네트워크 구조의 장점을 입증했습니다.

2014년: Google은 Inception 모듈을 도입하여 네트워크의 컴퓨팅 효율성을 향상시키는 Inception 아키텍처(GoogLeNet)를 제안했습니다.

2015년: Microsoft는 ResNet(Residual Network)을 제안했습니다. ResNet(Residual Network)은 잔여 연결을 통해 심층 네트워크 훈련의 경사 소실 문제를 해결했습니다.

지금까지 CNN은 EfficientNet 및 Vision Transformer와 같은 새로운 네트워크 구조의 출현과 다양한 응용 분야의 추가 최적화를 통해 계속 진화하고 있습니다.

...

입력 레이어: 이미지의 픽셀 값과 같은 원시 데이터를 받습니다.

컨볼루션 레이어: 컨볼루션 커널을 사용하여 로컬 기능을 추출합니다.

활성화 계층: ReLU와 같은 비선형성을 도입합니다.

풀링 레이어: 데이터 차원을 줄이고 계산량을 줄이며 과적합을 방지합니다.

완전 연결 레이어: 분류 라벨과 같은 최종 출력에 기능을 매핑합니다.

출력 레이어: 네트워크의 최종 결과를 출력합니다.

컨볼루션 작업: 입력 데이터에 컨볼루션 커널을 밀어서 로컬 특징을 추출합니다.

가중치 공유: 동일한 컨볼루션 커널이 전체 입력 데이터에 대한 가중치를 공유하여 모델 매개변수를 줄입니다.

풀링: 최대 풀링 또는 평균 풀링과 같은 로컬 영역을 다운샘플링합니다.

활성화 기능: ReLU, Sigmoid, Tanh 등과 같은 비선형성을 도입합니다.

컨볼루션 커널(필터): 컨볼루션 레이어에서 특징을 추출하는 데 사용되는 가중치 행렬입니다.

Stride: 입력 데이터에서 이동하는 컨볼루션 커널의 단계 크기입니다.

...

LeNet-5: 필기 숫자 인식을 위한 초기 CNN 모델.

AlexNet: ReLU 활성화 기능을 도입하여 매개변수 수를 줄이고 훈련 속도를 향상시킵니다.

VGGNet: 작은 컨볼루션 커널과 더 깊은 네트워크 구조를 사용합니다.

InceptionNet: 네트워크의 컴퓨팅 효율성을 향상시키기 위한 Inception 모듈을 소개합니다.

ResNet: 잔여 연결을 통해 심층 네트워크 훈련에서 기울기 소실 문제를 해결합니다.

SqueezeNet: CNN이 적은 수의 매개변수로도 높은 성능을 유지할 수 있음을 보여줍니다.

...

CNN은 다계층 컨볼루션과 풀링 연산을 통해 이미지의 로컬 특징을 추출하고, 완전 연결 계층을 통해 분류를 수행합니다. 컨볼루션 작업은 이미지의 가장자리 및 질감과 같은 낮은 수준의 특징을 캡처할 수 있는 반면, 심층 네트워크는 더 복잡한 패턴을 학습할 수 있습니다. CNN은 가중치 공유 및 풀링을 통해 대규모 데이터 세트를 효과적으로 처리하고 과적합 위험을 줄일 수 있습니다.

이미지 인식: 필기 숫자 인식, 객체 인식 등

이미지 분할: 의료 영상 분석 등을 위해 이미지를 여러 영역으로 분할합니다.

영상분석 : 행동인식, 영상감시 등에 활용됩니다.

음성 인식: CNN은 주로 영상 처리에 사용되지만 음성 신호의 특징 추출에도 사용할 수 있습니다.

...

컴퓨팅 리소스 요구 사항: 딥 네트워크에는 많은 양의 컴퓨팅 리소스와 저장 공간이 필요합니다.

데이터 볼륨 요구 사항: 고성능 모델을 학습하려면 주석이 달린 대량의 데이터가 필요합니다.

해석성: CNN의 내부 작동 메커니즘은 얕은 모델만큼 투명하지 않아 의사결정 과정을 설명하기 어렵습니다.

입력 크기에 민감함: CNN은 입력 데이터의 크기와 규모에 다소 민감하며 전처리 단계가 필요할 수 있습니다.

로컬 특징 추출: CNN은 로컬 특징을 추출하는 데 능숙하지만 전역 컨텍스트 정보를 캡처하는 데 어려움을 겪을 수 있습니다.

...