[Convolutional Neural Networks] Foundations of Convolutional Neural Networks :: seoftware

📜 강의 정리 

 

* Cousera 강의 중 Andrew Ng 교수님의 Convolutional Neural Network 강의를 공부하고 정리한 내용입니다.

* 이미지 출처 : Deeplearning.AI

---

Computer Vision

Image Classification, Object Detection, Neural Style Transfer 등이 Computer Vision에 포함된다. 

Edge Detection Example

convolution filter를 통해 아래와 같이 featrue를 뽑아낼 수 있다. 초기 layer에서는 큰 특징, 후반 layer에서는 detail한 특징이 추출된다.

conv filter(=kernel)이 어떻게 작용 방법은 input 이미지에 대해 conv filter가 convolution 연산을 진행한다. conv filter의 구성에 따라 추출되는 특징이 다르다. 아래는 수직선을 추출하는 conv filter의 예시이다.

 

Padding

convolutional filter를 적용할 때마다 input size = n, kernel size = k라고 할 때, output size = n-k+1이 된다. convolutional filter가 계속 반복되면 output size가 계속 작아지게 되는 문제와 가장자리에 있는 픽셀은 중앙 부분의 픽셀보다 반영이 잘 안되는 문제가 있다.

이를 해결하는 방법이 padding이다

 

Strided Convolutions

Convolutions Over Volumn

input image의 채널 개수와 convoutional filter의 채널 개수는 같아야 한다. 아웃풋에 볼륨을 주고 싶으면 conv filter를 여러 종류를 사용한다.

 

One layer of Convolutional Network

input size가 아무리 커도 학습할 파라미터는 280개로 고정적이다.

 

노테이션 정리

 

Pooling

이미지의 크기를 줄이는 역할을 한다.

max pooling, average pooling이 있다

 

CNN Example

보통 가중치가 있는 것을 레이어라고 하는데, Pooling은 가중치가 없으므로, conv와 pooling layer를 한 세트로 묶어서 layer1이라고 한다.

 

Why convolutions?