卷积神经网络
꼭알아야할3가지사항
Cnn은다음세가지중。
- Cnn은수동특징추출의필성을제거합니다。특징은cnn에의해직접학습됩니다。
- Cnn은고도로정확한路人식결과를생성합니다。
- CNN은새로운인식작업을위해다시훈련시킬수있으므로기존신경망을활용할수있습니다。
CNN은영상및시계열데이터에서주요특징을찾아내고학습하기위한최적의아키텍처를제공합니다。Cnn은다음과같은응용분야에서핵심기술로사용됩니다。
- 의료상: CNN은수천건의병리학보고서를검토하여영상에서암세포의유무를시각적으로검출할수있습니다。
- 오디오처리:마이크가있는모든기기에서키워드검출을사용하여특정단어나문구(“嘿Siri !”)가발화되었을때이를검출할수있습니다。CNN은키워드를정확하게학습하여어떤환경에서도다른모든문구는무시하고키워드를검출할수있습니다。
- 정지신호검출:자율주행에서는표지판이나다른객체의존재여부를정확하게검출하고출력을바탕으로결정을내리는데CNN을사용합니다。
- 합성데이터생성:甘(생성적적대신경망)을사용하여얼굴인식및자율주행을비롯한딥러닝응용분야에서사용할새로운영상을생성할수있습니다。
자세히알아보기
卷积神经网络은수십또는수백개의계층을가질수있으며,각계층은영상의서로다른특징을검출합니다。각훈련영상에서로다른해상도의필터가적용되고,컨벌루션된각영상은다음계층의입력으로사용됩니다。필터는밝기,경계와같이매우간단한특징으로시작하여객체를고유하게정의하는특징으로복잡도를늘려갈수있습니다。
특징학습,계층및분류
CNN은다른신경망과마찬가지로입력계층,출력계층,그리고그사이의여러은닉계층으로구성됩니다。
이러한계층은해당데이터의고유한특징을학습한다는의도로데이터를변경시키는연산을수행합니다。3가장일반적인가지계층으로컨벌루션계층,활성화또는ReLU계층,풀링계층을들수있습니다。
- 컨벌루션계층은입력상을일련의컨벌루션필터에통과시킵니다。각필터는상에서특정특징을활성화합니다。
- ReLU(整流线性单元)계층은음수값은0에매핑하고양수값은그대로두어서더빠르고효과적인훈련이이루어지도록합니다。이때활성화된특징만다음계층으로전달되므로이를활성화라고도합니다。
- 풀링 계층은비선형다운샘플링을수행하여신경망이학습해야하는파라미터의개수를줄임으로써출력을단순화합니다。
이러한연산이수십또는수백개의계층에대해반복되며,각계층은서로다른특징을식별하도록학습합니다。
공유가중치및편향
Cnn은전통적신경망과마찬가지로가중치와편향이있는뉴런을갖습니다。모델은훈련과정에서이러한값을학습하고,새로운훈련표본이입력될때마다매번이러한값을지속적으로업데이트합니다。그러나의CNN경우에는주어진계층의모든은닉뉴런에대해가중치및편향값이모두같습니다。
이는모든은닉뉴런이영상의서로다른영역에있는동일한특징(경계나블롭등)을검출함을의미합니다。따라서신경망은상에있는객체의평행이동을허용합니다。예를들어,자동차를인식하도록훈련된신경망은자동차가영상의어느곳에있어도인식할수있습니다。
분류 계층
CNN아키텍처는여러계층에있는특징을학습한후분류계층으로넘어갑니다。
마지막에서두번째계층은k차원의벡터를출력하는완전연결계층입니다。여기서k는신경망이예측할수있는클래스의개수입니다。이벡터는분류대상상의각클래스에대한확률을포함합니다。
CNN아키텍처의마지막계층은소프트맥스와같은분류계층을사용하여분류출력을제공합니다。
앱에서직접신경망을훈련시키고정확도,손실,검증메트릭플롯을사용하여훈련을모니터링할수도있습니다。
전이학습에사전훈련된모델사용하기
전이 학습을통해사전훈련된신경망을미세조정하는것이처음부터훈련시키는것보다는일반적으로훨씬더빠르고쉽습니다。전이학습에는최소한의데이터와연산리소스가사용됩니다。전이학습은한가지유형의문제로부터알게된지식을사용하여비슷한문제를해결합니다。사용자는사전훈련된신경망에서시작하여이를새로운작업을학습하는데사용할수있습니다。전이학습의이점은사전훈련된신경망이수많은특징을이미학습했다는데있습니다。이러한특징은다양한기타유사한작업에적용할수있습니다。예를들어,수백만개의영상에서훈련된신경망을가져와서수백개의영상만사용하여새로운객체검출을위해다시훈련시킬수있습니다。
Gpu를사용한하드웨어가속
卷积神经网络은수백수,천,나아가수백만개의영상에대해훈련됩니다。다량의데이터와복잡한신경망아키텍처로작업할때GPU를사용하면모델을훈련시키는데소요되는처리시간을크게줄일수있습니다。
자세히알아보기
Cnn을사용하는응용분야
객체 검출
객체검출은상과비디오에서객체를찾고분류하는과정입니다。计算机视觉工具箱™는YOLO및意思快R-CNN을사용하여딥러닝기반객체검출기를생성하는훈련프레임워크를제공합니다。
키워드검출
음성-텍스트변환의한가지응용분야로키워드검출을들수있습니다。키워드검출은특정키워드또는문구를,식하여이를지시어로사용할수있습니다。널리사용되는예로기기켜기와조명켜기를들수있습니다。
의미론적분할
CNN은의미론적분할에서사용되어영상의각픽셀을식별하고이에대응하는클래스레이블을부여합니다。의미론적분할은자율주행,산업검사,지형분류,의료영상과같은응용분야에서사용될수있습니다。卷积神经网络은의미론적분할신경망을구축하기위한기반이됩니다。
Matlab은딥러닝과관련된모든작업을수행하기위한툴과기능을제공합니다。CNN을사용하여신호처리,컴퓨터비,전통신및레이더분야의워크플로를개선할수있습니다。