CNN 프리뷰 (초간단 CNN 개념 정리)

 CNN (합성곱 신경망) 핵심 개념 정리

이미지는 보통 높이(Height), 너비(Width), 채널(Channel)로 구성된 데이터이다.
예를 들어 흑백 이미지는 채널이 1, RGB 이미지는 채널이 3이다.

---

 1. 필터(Convolution)

필터는 이미지에서 특정한 특징(feature)을 추출하기 위한 도구이다.

필터는 일반적으로 (k × k × 채널) 형태의 가중치 집합으로 구성되며,
이미지 위를 슬라이딩하면서 다음과 같은 연산을 수행한다:

• 필터와 이미지의 해당 영역을 요소별로 곱한 뒤
• 모든 값을 더해서 하나의 값을 생성

이 과정을 통해 특정 패턴(모서리, 선, 질감 등)을 추출할 수 있다.

또한 필터의 개수는 곧 출력 채널 수(feature map 수)가 된다.

---

  2. Stride와 출력 크기

Stride는 필터가 한 번에 이동하는 칸 수를 의미한다.

출력 크기는 다음과 같이 계산된다:

출력 크기=(N−F)/S + 1

• N: 입력 크기
• F: 필터 크기
• S: stride

Stride가 커질수록 출력 크기는 더 작아진다.

---

 3. Padding

필터를 적용하면 이미지의 가장자리가 줄어드는 문제가 발생한다.
이를 해결하기 위해 입력 가장자리에 0을 추가하는 제로 패딩(Zero Padding)을 사용한다.

• padding='valid' → 패딩 없음 → 크기 감소
• padding='same' → 크기 유지

---

 4. 풀링(Pooling)

풀링은 feature map의 크기를 줄이면서 중요한 정보만 남기는 과정이다.

대표적으로 Max Pooling이 많이 사용되며,
일정 영역에서 가장 큰 값만 선택한다.

예:

[1 3
2 0] → 3

 

특징:

• 연산량 감소
• 과적합 방지
• 위치 변화에 강건함(이동 불변성)

보통 pool_size와 stride를 동일하게 설정한다.

---

 5. CNN의 전체 구조

CNN은 크게 두 단계로 나뉜다:

1) Feature Extraction

• Convolution
• Activation (ReLU)
• Pooling

 이미지에서 특징을 추출

---

2) Classification

• Flatten 또는 Global Average Pooling
• Dense Layer

 추출된 특징을 기반으로 분류 수행

---

한 줄 정리

 CNN은
“이미지에서 특징을 자동으로 추출하고, 이를 이용해 분류하는 모델”