TL;DR
이 강의는 CNN의 핵심 구성요소로서 합성곱층과 필수 풀링층 및 배치 정규화를 포함하고, 합성곱층 출력의 해석에 초점을 맞추었다. 강사는 출력 활성화를 두 관점으로 읽을 수 있다고 말했으며 하나는 각 채널이 특정 필터의 공간적 반응을 담는 응답 맵이라는 점이고 다른 하나는 공간상의 한 지점에서 채널을 모으면 그 위치의 국소적 기하와 색상 정보를 압축한 특징 벡터가 된다는 점이다. 이 두 관점은 필터 수준의 역할 분석과 위치별 지역 설명자 구성이라는 서로 보완적인 인사이트를 제공하므로 합성곱층 출력의 활용과 시각화, 후속 처리 설계에서 서로 다른 수준의 정보를 활용할 수 있게 한다.
섹션별 상세
용어 해설
- Activation Map
- — 합성곱 신경망의 출력 텐서에서 채널 하나가 가지는 2차원 배열로, 입력 이미지에 대해 특정 필터가 공간적으로 얼마나 강하게 반응했는지를 좌표별 값으로 표현한다. 필터가 이미지 위를 슬라이딩하며 국소 패턴과의 정합도를 계산한 결과가 각 채널의 픽셀 값에 대응한다. 이 값들은 시각화나 필터의 역할 해석, 또는 위치별 특징 벡터를 구성하는 기본 요소로 활용된다.
- Feature Vector
- — 활성화 텐서에서 특정 공간 위치에 대해 채널 축을 따라 추출한 1차원 벡터로, 해당 위치의 국소적 기하·색상 특성을 채널별 응답으로 집약한 표현이다. 입력 이미지의 한 지점에 대한 여러 필터의 반응을 모아 지역 설명자로 기능하며, 이후 분류기나 유사도 계산에서 입력의 국소 정보를 전달하는 역할을 한다. 이 벡터는 공간적 위치와 채널 응답을 결합하여 지역 단위 특징을 수치화한다.
- Channel
- — 합성곱층 출력의 한 축을 구성하는 단위로, 각각이 하나의 활성화 맵(필터 반응)을 나타낸다. 입력에 대해 특정 필터가 생성하는 응답 전체를 한 채널이 담당하며 채널 단위의 값 분포가 필터별 민감도를 드러낸다. 채널 간 조합은 공간별 특징 벡터를 형성하는 기초가 된다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
