빨간불에서 언제 정지해야 하는지 자율주행차가 어떻게 아는지 또는 휴대전화가 어떻게 얼굴을 식별하는지 궁금한 적이 있습니까?
여기에서 Convolutional Neural Network(CNN)가 등장합니다.
CNN은 이미지를 분석하여 이미지에서 무슨 일이 일어나고 있는지 판단할 수 있는 인간의 두뇌와 비슷합니다. 이 네트워크는 인간이 간과할 수 있는 것까지 감지할 수 있습니다!
이번 포스트에서는 CNN에 대해 알아보겠습니다. 깊은 학습 문맥. 이 흥미진진한 지역이 우리에게 무엇을 제공할 수 있는지 봅시다!
딥러닝이란?
딥러닝은 일종의 인공 지능. 컴퓨터가 학습할 수 있도록 합니다.
딥 러닝은 복잡한 수학적 모델을 사용하여 데이터를 처리합니다. 따라서 컴퓨터는 패턴을 감지하고 데이터를 분류할 수 있습니다.
많은 예제로 학습한 후 결정을 내릴 수도 있습니다.
딥 러닝에서 CNN에 관심을 갖는 이유는 무엇입니까?
CNN(컨볼루션 신경망)은 딥 러닝의 중요한 구성 요소입니다.
그들은 컴퓨터가 그림과 다른 것들을 이해할 수 있게 합니다. 시각적 데이터. 우리는 심층 학습에 CNN을 사용하여 컴퓨터가 "보는" 것을 기반으로 패턴을 감지하고 객체를 식별하도록 훈련할 수 있습니다.
CNN은 컴퓨터가 환경을 이해하도록 돕는 딥 러닝의 눈 역할을 합니다!
Brain의 아키텍처에서 영감을 얻음
CNN은 뇌가 정보를 해석하는 방식에서 영감을 얻습니다. CNN의 인공 뉴런 또는 노드는 뇌 뉴런이 몸 전체에서 수행하는 방식과 마찬가지로 입력을 수락하고 처리한 다음 결과를 출력으로 전달합니다.
입력 레이어
표준의 입력 레이어 신경망 그림 픽셀과 같은 배열 형태로 입력을 받습니다. CNN에서는 그림이 입력 레이어에 입력으로 제공됩니다.
숨겨진 레이어
CNN에는 수학을 사용하여 그림에서 특징을 추출하는 몇 가지 숨겨진 레이어가 있습니다. 완전 연결, 수정된 선형 단위, 풀링 및 컨볼루션 레이어를 포함하여 여러 종류의 레이어가 있습니다.
컨볼루션 계층
입력 사진에서 특징을 추출하는 첫 번째 레이어는 컨볼루션 레이어입니다. 입력 이미지는 필터링되고 결과는 이미지의 핵심 요소를 강조 표시하는 기능 맵입니다.
나중에 풀링
풀링 계층은 기능 맵의 크기를 줄이는 데 사용됩니다. 입력 그림의 위치 이동에 대한 모델의 저항을 강화합니다.
정류 선형 단위 계층(ReLU)
ReLU 계층은 모델에 비선형성을 부여하기 위해 사용됩니다. 이전 레이어의 출력은 이 레이어에 의해 활성화됩니다.
완전 연결 계층
완전 연결 계층은 항목을 분류하고 출력 계층에서 고유 ID를 할당하는 완전 연결 계층입니다.
CNN은 피드포워드 네트워크입니다.
데이터는 한 방향으로만 입력에서 출력으로 흐릅니다. 그들의 구조는 기본 세포와 정교한 세포의 교대로 층으로 구성된 뇌의 시각 피질에서 영감을 받았습니다.
CNN은 어떻게 훈련됩니까?
고양이를 식별하도록 컴퓨터를 가르치려고 한다고 생각해 보십시오.
"여기 고양이가 있습니다."라고 말하면서 많은 고양이 이미지를 보여줍니다. 고양이의 이미지를 충분히 본 후 컴퓨터는 뾰족한 귀와 수염과 같은 특성을 인식하기 시작합니다.
CNN이 작동하는 방식은 매우 유사합니다. 여러 장의 사진이 컴퓨터에 표시되고 각 사진에 있는 사물의 이름이 표시됩니다.
그러나 CNN은 이미지를 지역과 같은 더 작은 조각으로 나눕니다. 그리고 이미지를 전체적으로 보는 것보다 해당 영역의 특성을 식별하는 방법을 학습합니다.
따라서 CNN의 초기 레이어는 가장자리나 모서리와 같은 기본 특성만 감지할 수 있습니다. 그런 다음 다음 레이어는 형태나 질감과 같은 더 자세한 기능을 인식하기 위해 그 위에 구축됩니다.
레이어는 컴퓨터가 더 많은 이미지를 볼 때 이러한 품질을 계속 조정하고 연마합니다. 고양이, 얼굴 또는 다른 어떤 것이든 훈련된 대상을 식별하는 데 매우 능숙해질 때까지 계속됩니다.
강력한 딥 러닝 도구: CNN이 이미지 인식을 혁신한 방법
CNN은 이미지의 패턴을 식별하고 이해함으로써 이미지 인식을 변화시켰습니다. CNN은 정확도가 높은 결과를 제공하기 때문에 이미지 분류, 검색 및 감지 애플리케이션을 위한 가장 효율적인 아키텍처입니다.
그들은 종종 훌륭한 결과를 낳습니다. 또한 실제 응용 프로그램에서 사진의 개체를 정확하게 찾아내고 식별합니다.
그림의 모든 부분에서 패턴 찾기
패턴이 그림의 어디에 나타나든 CNN은 패턴을 인식하도록 설계되었습니다. 사진의 모든 위치에서 시각적 특성을 자동으로 추출할 수 있습니다.
이것은 "공간 불변성"으로 알려진 능력 덕분에 가능합니다. 프로세스를 단순화함으로써 CNN은 사람이 특징을 추출할 필요 없이 사진에서 바로 학습할 수 있습니다.
처리 속도 향상 및 메모리 사용량 감소
CNN은 기존 프로세스보다 사진을 더 빠르고 효율적으로 처리합니다. 이것은 그림을 처리하는 데 필요한 매개 변수의 수를 낮추는 풀링 레이어의 결과입니다.
이러한 방식으로 메모리 사용 및 처리 비용을 낮춥니다. 다음과 같은 많은 영역에서 CNN을 사용합니다. 얼굴 인식, 비디오 분류 및 사진 분석. 그들은 심지어 익숙하다 은하를 분류하다.
실제 사례
Google 사진 사진에서 사람과 물체를 식별하기 위해 CNN을 사용하는 실제 세계에서의 CNN 사용 중 하나입니다. 게다가, 하늘빛 와 아마존 CNN을 사용하여 객체에 태그를 지정하고 식별하는 이미지 인식 API를 제공합니다.
그림 인식 작업을 포함하여 데이터 세트를 사용하여 신경망을 교육하기 위한 온라인 인터페이스는 딥 러닝 플랫폼에서 제공됩니다. NVIDIA 숫자.
이러한 애플리케이션은 소규모 상업 사용 사례에서 사진 구성에 이르기까지 CNN이 다양한 작업에 어떻게 사용될 수 있는지 보여줍니다. 더 많은 예를 생각해 볼 수 있습니다.
컨볼루션 신경망은 어떻게 진화할까요?
건강 관리는 CNN이 상당한 영향을 미칠 것으로 예상되는 매력적인 산업입니다. 예를 들어 X-레이 및 MRI 스캔과 같은 의료 사진을 평가하는 데 사용할 수 있습니다. 그들은 임상의가 질병을 보다 빠르고 정확하게 진단하는 데 도움을 줄 수 있습니다.
자율 주행 자동차는 객체 식별에 CNN을 활용할 수 있는 또 다른 흥미로운 애플리케이션입니다. 차량이 주변 환경을 얼마나 잘 이해하고 반응하는지 개선할 수 있습니다.
점점 더 많은 사람들이 모바일 CNN을 포함하여 더 빠르고 효과적인 CNN 구조를 만드는 데 관심을 갖고 있습니다. 스마트폰 및 웨어러블과 같은 저전력 장치에 사용될 것으로 예상됩니다.
댓글을 남겨주세요.