Convolutoinal network Convolution (Conv) Pooling (POOL) Fully connected (FC) Conv 예시 design의 대부분은 filter size, padding, stride 등 hyper parameter를 고르는 것 신경망이 깊어질 수록 크기가 H, W줄어듦, 채널을 늘어남 대부분의 합성곱 신경망이 이러함 Pooling layers 표현 크기를 줄이고 계산 속도를 높임 특성을 더 잘 검출 할 수 있게함 Max Pooling 성능이 좋아 많이 사용됨 최대값을 남김 한 특성이 필터의 한 부분에서 검출되면 높은 수를 남김 input 의 채널 크기가 nc 라고 한다면 pooling 결과 값의 채널 크기도 nc임 4 x 4 Hyper parameter f =..
Convolutions on RBG images Struction detail All of channels의 vertical information이 궁금하면 RGB filler를 전부 R처럼 바꿔주면됨 필요에 맞게 filter custom filter가 2개 이상일 때 Summary 여러개의 특성을 뽑을 수 있고 그 특성의 개수만큼 채널을 가지게 된다 + Bias, Activaion Function + 기호 Parameter 이미지의 크기가 크던 작던 변수(parameter)의 수는 고정되어 있음 고정된 변수로 여러가지 속성을 검출할 수 있음 이로 인해 과대적합을 방지하게 됨 (CNN의 성질) 정리 https://www.youtube.com/c/Deeplearningai DeepLearningAI Wel..
CNN Convolutional Neural Network : 이미지 분류에 주로 쓰이고 패턴 인식을 통해 기존 정보를 일반화하여 다른 환경의 이미지에 적용하여 분류함. Sparse Connectivity(노드간의 연결을 줄임)한 특성이 있음. CNN 사용 이유 : FC(Fully Connected Layer)로 구성된 인공 신경망의 입력 데이터는 1차원의 형태로 한정이 되기에 3차원으로 구성된 이미지는(컬러 이미지 기준) FC로 학습할 경우에 평면화 작업(Flatten)을 거쳐 공간 정보가 손질이 된다. 이는 이미지의 공간 정보 부족으로 특징 추출 및 학습에 비효율적이고 정확도를 높이는데 한계가 있다. 이미지의 공간 정보를 유지한 상태로 학습을 하기 위해 CNN(Convolutional Neural N..
