3-2. Convolution

공부한 동영상 : 

https://www.edwith.org/medical-20200327/lecture/63133/

[LECTURE] 3.Convolutional Neural Network (CNN) : edwith

 

 

convolutional neural network 이해하려면 먼저

convolution에 대해 이해하고 있어야한다.

 

이번수업에서는 영상의 convolution에 대해 먼저 알아보자

 

다음은 convolution(합성곱)의 예시이다.

이미지가 있다고 가정하면, filter를 define할 수 있을것이고,

<1> convolution이라하면 filter를 이미지에 입혀서 이미지의 픽셀값과 필터의 값을 각각 곱하고 최종 더하게 된다.

한칸씩 이동하여 같은작업 반복.

이와 같은 과정을 반복하면 우측과 같은 새로운 이미지를 얻을 수 있다.

 

이런 작업을 convolution이라고 부른다.

혹은 co-relation이라고 부르기도 한다.

(필터내에서는 값을 순환하지 않는다. 이미지와 계산시, 계산할 이미지의 픽셀위치를 순환함.)

 

<2>convolution하면 생기는 일

이미지를 반 나눠서 생각해보자.

한쪽은 밝고, 한쪽은 어둡다.

필터적용을 하면 밝다가 점점 어두워짐(원래영상보다 뿌얘짐)

즉, 필터의 특성에 따라서 원하는 이미지를 얻어낼 수 있다.

 

다음 슬라이드를 보자.

다른 필터 적용해보자.(중앙에는 큰값, 나머지는 작은 값)

원본이미지 : 높았다가 낮아짐

결과로 얻어진 이미지 : 높아졌다가 훅 낮아졌다가 좀 높아짐.

이것이 필터의 역할이다.

 

다양한 필터들을 만들어서 실제 영상에 적용할 수 있다.

왼쪽 영상에 필터로 convolution진행하면

1. 전부1/9 : 라인들이 뿌얘짐

2. 가운데필터 : 엣지들이 선명해짐->라인들을 잘 추출할 수 있다.

 

<3>convolution neural network 아이디어

기존에는 픽셀by픽셀의 단위로 노드로 설정해서 다음레이어로 이어주는 구조를 생각했었는데,

이렇게 되면 파라미터 숫자가 너무 많아진다.

 

그래서 convolution뉴럴 네트워크에서는 모든 파라미터를 학습하지 않고,

필터들을 학습하겠다는 것이 주요 아이디어.

 

그래서 영상을 학습한 필터에 넣게 되면, 다른 타입의 영상이 나온다.

 

오늘은 필터 숫자를 먼저 정의하고 그에대한 convolution결과를 구했지만,

 

convolution neural network에서는 필터값을 학습하게된다.

생각하지 못했던 필터값들이 만들어진다.

여기에 영상넣고 필터링 수행하게되면, 생각하지 못했던 타입의 영상나오게 되고,

이것을 feature Map이라고 부른다.

 

필터들을 여러개 학습할 수 있는데,

그럼 여러개의 피처맵이 나오게된다.

 

이런 과정 계속 반복해서 여러 필터들을 학습해주게된다.

 

다음 차시에서 convolution neural network에 대해 자세히 살펴보도록 하겠다.