Submit Search
Upload
CNN
โข
Download as PPTX, PDF
โข
1 like
โข
537 views
C
chs71
Follow
CNN
Read less
Read more
Data & Analytics
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 17
Download now
Recommended
Rnn and lstm
Rnn and lstm
Shreshth Saxena
ย
Deep Learning
Deep Learning
MoctardOLOULADE
ย
Convolution Neural Network (CNN)
Convolution Neural Network (CNN)
Basit Rafiq
ย
PR-108: MobileNetV2: Inverted Residuals and Linear Bottlenecks
PR-108: MobileNetV2: Inverted Residuals and Linear Bottlenecks
Jinwon Lee
ย
Machine Learning - Convolutional Neural Network
Machine Learning - Convolutional Neural Network
Richard Kuo
ย
RNN & LSTM: Neural Network for Sequential Data
RNN & LSTM: Neural Network for Sequential Data
Yao-Chieh Hu
ย
Convolutional Neural Network (CNN)
Convolutional Neural Network (CNN)
Muhammad Haroon
ย
Siamese networks
Siamese networks
Nicholas McClure
ย
Recommended
Rnn and lstm
Rnn and lstm
Shreshth Saxena
ย
Deep Learning
Deep Learning
MoctardOLOULADE
ย
Convolution Neural Network (CNN)
Convolution Neural Network (CNN)
Basit Rafiq
ย
PR-108: MobileNetV2: Inverted Residuals and Linear Bottlenecks
PR-108: MobileNetV2: Inverted Residuals and Linear Bottlenecks
Jinwon Lee
ย
Machine Learning - Convolutional Neural Network
Machine Learning - Convolutional Neural Network
Richard Kuo
ย
RNN & LSTM: Neural Network for Sequential Data
RNN & LSTM: Neural Network for Sequential Data
Yao-Chieh Hu
ย
Convolutional Neural Network (CNN)
Convolutional Neural Network (CNN)
Muhammad Haroon
ย
Siamese networks
Siamese networks
Nicholas McClure
ย
Recurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRU
ananth
ย
Convolutional Neural Networks (CNN)
Convolutional Neural Networks (CNN)
Gaurav Mittal
ย
Convolutional Neural Network and Its Applications
Convolutional Neural Network and Its Applications
Kasun Chinthaka Piyarathna
ย
Recurrent Neural Network
Recurrent Neural Network
Mohammad Sabouri
ย
cnn ppt.pptx
cnn ppt.pptx
rohithprabhas1
ย
Recurrent Neural Networks
Recurrent Neural Networks
Sharath TS
ย
LSTM Tutorial
LSTM Tutorial
Ralph Schlosser
ย
Convolutional Neural Network (CNN) - image recognition
Convolutional Neural Network (CNN) - image recognition
YUNG-KUEI CHEN
ย
Image classification with Deep Neural Networks
Image classification with Deep Neural Networks
Yogendra Tamang
ย
Convolutional neural network
Convolutional neural network
Ferdous ahmed
ย
Resnet
Resnet
ashwinjoseph95
ย
Introduction to Recurrent Neural Network
Introduction to Recurrent Neural Network
Knoldus Inc.
ย
Deep Learning - Convolutional Neural Networks
Deep Learning - Convolutional Neural Networks
Christian Perone
ย
MobileNet - PR044
MobileNet - PR044
Jinwon Lee
ย
Attention is All You Need (Transformer)
Attention is All You Need (Transformer)
Jeong-Gwan Lee
ย
Deep Learning Introduction Lecture
Deep Learning Introduction Lecture
shivam chaurasia
ย
CONVOLUTIONAL NEURAL NETWORK
CONVOLUTIONAL NEURAL NETWORK
Md Rajib Bhuiyan
ย
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
Hosein Mohebbi
ย
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)
Hajar Bouchriha
ย
Convolutional neural network
Convolutional neural network
Yan Xu
ย
HistoryOfCNN
HistoryOfCNN
Tae Young Lee
ย
History of Vision AI
History of Vision AI
Tae Young Lee
ย
More Related Content
What's hot
Recurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRU
ananth
ย
Convolutional Neural Networks (CNN)
Convolutional Neural Networks (CNN)
Gaurav Mittal
ย
Convolutional Neural Network and Its Applications
Convolutional Neural Network and Its Applications
Kasun Chinthaka Piyarathna
ย
Recurrent Neural Network
Recurrent Neural Network
Mohammad Sabouri
ย
cnn ppt.pptx
cnn ppt.pptx
rohithprabhas1
ย
Recurrent Neural Networks
Recurrent Neural Networks
Sharath TS
ย
LSTM Tutorial
LSTM Tutorial
Ralph Schlosser
ย
Convolutional Neural Network (CNN) - image recognition
Convolutional Neural Network (CNN) - image recognition
YUNG-KUEI CHEN
ย
Image classification with Deep Neural Networks
Image classification with Deep Neural Networks
Yogendra Tamang
ย
Convolutional neural network
Convolutional neural network
Ferdous ahmed
ย
Resnet
Resnet
ashwinjoseph95
ย
Introduction to Recurrent Neural Network
Introduction to Recurrent Neural Network
Knoldus Inc.
ย
Deep Learning - Convolutional Neural Networks
Deep Learning - Convolutional Neural Networks
Christian Perone
ย
MobileNet - PR044
MobileNet - PR044
Jinwon Lee
ย
Attention is All You Need (Transformer)
Attention is All You Need (Transformer)
Jeong-Gwan Lee
ย
Deep Learning Introduction Lecture
Deep Learning Introduction Lecture
shivam chaurasia
ย
CONVOLUTIONAL NEURAL NETWORK
CONVOLUTIONAL NEURAL NETWORK
Md Rajib Bhuiyan
ย
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
Hosein Mohebbi
ย
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)
Hajar Bouchriha
ย
Convolutional neural network
Convolutional neural network
Yan Xu
ย
What's hot
(20)
Recurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRU
ย
Convolutional Neural Networks (CNN)
Convolutional Neural Networks (CNN)
ย
Convolutional Neural Network and Its Applications
Convolutional Neural Network and Its Applications
ย
Recurrent Neural Network
Recurrent Neural Network
ย
cnn ppt.pptx
cnn ppt.pptx
ย
Recurrent Neural Networks
Recurrent Neural Networks
ย
LSTM Tutorial
LSTM Tutorial
ย
Convolutional Neural Network (CNN) - image recognition
Convolutional Neural Network (CNN) - image recognition
ย
Image classification with Deep Neural Networks
Image classification with Deep Neural Networks
ย
Convolutional neural network
Convolutional neural network
ย
Resnet
Resnet
ย
Introduction to Recurrent Neural Network
Introduction to Recurrent Neural Network
ย
Deep Learning - Convolutional Neural Networks
Deep Learning - Convolutional Neural Networks
ย
MobileNet - PR044
MobileNet - PR044
ย
Attention is All You Need (Transformer)
Attention is All You Need (Transformer)
ย
Deep Learning Introduction Lecture
Deep Learning Introduction Lecture
ย
CONVOLUTIONAL NEURAL NETWORK
CONVOLUTIONAL NEURAL NETWORK
ย
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
ย
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)
ย
Convolutional neural network
Convolutional neural network
ย
Similar to CNN
HistoryOfCNN
HistoryOfCNN
Tae Young Lee
ย
History of Vision AI
History of Vision AI
Tae Young Lee
ย
Dl from scratch(7)
Dl from scratch(7)
Park Seong Hyeon
ย
Convolutional rnn
Convolutional rnn
Lee Gyeong Hoon
ย
FCN to DeepLab.v3+
FCN to DeepLab.v3+
Whi Kwon
ย
แแ ตแแแ กแแ กแจแแ ฎแแ ฅ แแ ตแแ กแจแแ กแแ ณแซแแ ตแธแ แ ฅแแ ตแผ 8์ฅ
แแ ตแแแ กแแ กแจแแ ฎแแ ฅ แแ ตแแ กแจแแ กแแ ณแซแแ ตแธแ แ ฅแแ ตแผ 8์ฅ
Sunggon Song
ย
Deep Learning Into Advance - 1. Image, ConvNet
Deep Learning Into Advance - 1. Image, ConvNet
Hyojun Kim
ย
Cnn ๋ฐํ์๋ฃ
Cnn ๋ฐํ์๋ฃ
์ข ํ ์ต
ย
์ฌ๋ฌ ์ปจ๋ณผ๋ฃจ์ ๋ ์ด์ด ํ ํฌ๋๊ณผ ๊ฒฝ๋ํ ๊ธฐ๋ฒ๋ค
์ฌ๋ฌ ์ปจ๋ณผ๋ฃจ์ ๋ ์ด์ด ํ ํฌ๋๊ณผ ๊ฒฝ๋ํ ๊ธฐ๋ฒ๋ค
Dongyi Kim
ย
[์ปดํจํฐ๋น์ ๊ณผ ์ธ๊ณต์ง๋ฅ] 7. ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง 2
[์ปดํจํฐ๋น์ ๊ณผ ์ธ๊ณต์ง๋ฅ] 7. ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง 2
jdo
ย
Image classification
Image classification
์ข ํ ๊น
ย
CNN ์ด๋ณด์๊ฐ ๋ง๋๋ ์ด๋ณด์ ๊ฐ์ด๋ (VGG ์ฝ๊ฐ ํฌํจ)
CNN ์ด๋ณด์๊ฐ ๋ง๋๋ ์ด๋ณด์ ๊ฐ์ด๋ (VGG ์ฝ๊ฐ ํฌํจ)
Lee Seungeun
ย
Deep Learning & Convolutional Neural Network
Deep Learning & Convolutional Neural Network
agdatalab
ย
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
Oh Yoojin
ย
Convolutional neural networks
Convolutional neural networks
HyunjinBae3
ย
Where to Apply Dropout in Recurrent Neural Networks for Handwriting Recognition?
Where to Apply Dropout in Recurrent Neural Networks for Handwriting Recognition?
Lee Gyeong Hoon
ย
์ค์ ํ๋ก์ ํธ ์ ์๊ฒฝ ์ํ์ฐฌ
์ค์ ํ๋ก์ ํธ ์ ์๊ฒฝ ์ํ์ฐฌ
ํ์ฐฌ ์
ย
Designing more efficient convolution neural network
Designing more efficient convolution neural network
NAVER Engineering
ย
Designing more efficient convolution neural network
Designing more efficient convolution neural network
Dongyi Kim
ย
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
Kim Junghoon
ย
Similar to CNN
(20)
HistoryOfCNN
HistoryOfCNN
ย
History of Vision AI
History of Vision AI
ย
Dl from scratch(7)
Dl from scratch(7)
ย
Convolutional rnn
Convolutional rnn
ย
FCN to DeepLab.v3+
FCN to DeepLab.v3+
ย
แแ ตแแแ กแแ กแจแแ ฎแแ ฅ แแ ตแแ กแจแแ กแแ ณแซแแ ตแธแ แ ฅแแ ตแผ 8์ฅ
แแ ตแแแ กแแ กแจแแ ฎแแ ฅ แแ ตแแ กแจแแ กแแ ณแซแแ ตแธแ แ ฅแแ ตแผ 8์ฅ
ย
Deep Learning Into Advance - 1. Image, ConvNet
Deep Learning Into Advance - 1. Image, ConvNet
ย
Cnn ๋ฐํ์๋ฃ
Cnn ๋ฐํ์๋ฃ
ย
์ฌ๋ฌ ์ปจ๋ณผ๋ฃจ์ ๋ ์ด์ด ํ ํฌ๋๊ณผ ๊ฒฝ๋ํ ๊ธฐ๋ฒ๋ค
์ฌ๋ฌ ์ปจ๋ณผ๋ฃจ์ ๋ ์ด์ด ํ ํฌ๋๊ณผ ๊ฒฝ๋ํ ๊ธฐ๋ฒ๋ค
ย
[์ปดํจํฐ๋น์ ๊ณผ ์ธ๊ณต์ง๋ฅ] 7. ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง 2
[์ปดํจํฐ๋น์ ๊ณผ ์ธ๊ณต์ง๋ฅ] 7. ํฉ์ฑ๊ณฑ ์ ๊ฒฝ๋ง 2
ย
Image classification
Image classification
ย
CNN ์ด๋ณด์๊ฐ ๋ง๋๋ ์ด๋ณด์ ๊ฐ์ด๋ (VGG ์ฝ๊ฐ ํฌํจ)
CNN ์ด๋ณด์๊ฐ ๋ง๋๋ ์ด๋ณด์ ๊ฐ์ด๋ (VGG ์ฝ๊ฐ ํฌํจ)
ย
Deep Learning & Convolutional Neural Network
Deep Learning & Convolutional Neural Network
ย
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
ย
Convolutional neural networks
Convolutional neural networks
ย
Where to Apply Dropout in Recurrent Neural Networks for Handwriting Recognition?
Where to Apply Dropout in Recurrent Neural Networks for Handwriting Recognition?
ย
์ค์ ํ๋ก์ ํธ ์ ์๊ฒฝ ์ํ์ฐฌ
์ค์ ํ๋ก์ ํธ ์ ์๊ฒฝ ์ํ์ฐฌ
ย
Designing more efficient convolution neural network
Designing more efficient convolution neural network
ย
Designing more efficient convolution neural network
Designing more efficient convolution neural network
ย
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
ย
More from chs71
Credit default risk
Credit default risk
chs71
ย
Tensorflow
Tensorflow
chs71
ย
Pandas
Pandas
chs71
ย
Seoul square[mock project]
Seoul square[mock project]
chs71
ย
Learning method
Learning method
chs71
ย
Vip detection sensor
Vip detection sensor
chs71
ย
Share house
Share house
chs71
ย
Logistic regression1
Logistic regression1
chs71
ย
Class imbalance problem1
Class imbalance problem1
chs71
ย
Credit default risk
Credit default risk
chs71
ย
Maximum likelihood estimation
Maximum likelihood estimation
chs71
ย
More from chs71
(11)
Credit default risk
Credit default risk
ย
Tensorflow
Tensorflow
ย
Pandas
Pandas
ย
Seoul square[mock project]
Seoul square[mock project]
ย
Learning method
Learning method
ย
Vip detection sensor
Vip detection sensor
ย
Share house
Share house
ย
Logistic regression1
Logistic regression1
ย
Class imbalance problem1
Class imbalance problem1
ย
Credit default risk
Credit default risk
ย
Maximum likelihood estimation
Maximum likelihood estimation
ย
CNN
1.
CNN Convolutional Neural Network
2.
Traditional NN &
CNN -์์ ์ฐ๊ฒฐ๊ณ์ธต (Affine ๊ณ์ธต) -CNN โํฉ์ฑ๊ณฑ ๊ณ์ธต(conv)โ๊ณผ โํ๋ง ๊ณ์ธต(Pooling)โ ์ถ๊ฐ ์ถ๋ ฅ์ ๊ฐ๊น์ด ์ธต์์๋ ์ง๊ธ๊น์ง์ NN ๊ตฌ์ฑ ๊ทธ๋๋ก ์ฌ์ฉ โถ ๊ฐ๋จํ๊ฒ, CNN์ ์ ๊ฒฝ๋ง์ ๊ธฐ์กด์ ํํฐ ๊ธฐ์ ์ ๋ณํฉํ์ฌ ์ ๊ฒฝ๋ง์ด 2์ฐจ์ ์์์ ์ ์ต๋ํ ์ ์๋๋ก ์ต์ ํ ์ ํจ ์๊ณ ๋ฆฌ์ฆ์ด๋ค. โ Problems of Fully-connected Layer? โ๋ฐ์ดํฐ์ ํ์์ด ๋ฌด์๋๋คโ ์ด๋ฏธ์ง์ ๊ฒฝ์ฐ, ์ธ๋ก/๊ฐ๋ก/์ฑ๋(์์)๋ก ๊ตฌ์ฑ๋ 3์ฐจ์ ๋ฐ์ดํฐ์ด๋ค. ๊ทธ๋ฌ๋ ์์ ์ฐ๊ฒฐ ๊ณ์ธต์ ์ ๋ ฅํ ๋๋ 3์ฐจ์์ ๋ฐ์ดํฐ๋ฅผ ํํํ 1์ฐจ ์ ๋ฐ์ดํฐ(gray scale)๋ก ํ๋ฉดํ ํด์ฃผ์ด์ผ ํ๋ค. ์ด ๊ณผ์ ์์ ๊ณต๊ฐ ์ ๋ณด๊ฐ ์์ค๋ ์๋ฐ์ ์๊ณ , ๊ฒฐ๊ณผ์ ์ผ๋ก ์ด๋ฏธ์ง ๊ณต๊ฐ ์ ๋ณด ์ ์ค๋ก ์ธ ํ ์ ๋ณด ๋ถ์กฑ์ผ๋ก ์ธ๊ณต ์ ๊ฒฝ๋ง์ด ํน์ง์ ์ถ์ถ ๋ฐ ํ์ต์ด ๋นํจ์จ์ ์ด๊ณ ์ ํ๋๋ฅผ ๋์ด๋๋ฐ ํ๊ณ๊ฐ ์กด์ฌํ๋ค. ์ฆ, ์์ ์ฐ๊ฒฐ ๊ณ์ธต์ ํ์์ ๋ฌด์ํ๊ณ ๋ชจ๋ ์ ๋ ฅ๋ฐ์ดํฐ๋ฅผ ๋๋ฑํ ๋ด๋ฐ(๊ฐ์ ์ฐจ์์ ๋ด๋ฐ)์ผ๋ก ์ทจ๊ธํ์ฌ ํ์์ ๋ด๊ธด ์ ๋ณด๋ฅผ ์ด๋ฆด ์ ์ ๋ค. ์ด๋ฏธ์ง์ ๊ณต๊ฐ ์ ๋ณด๋ฅผ ์ ์งํ ์ํ๋ก ํ์ต์ด ๊ฐ๋ฅํ ๋ชจ๋ธ์ด ๋ฐ๋ก CNN(Convolutional Neural Network)์ ๋๋ค.
3.
Convolutional Neural Network โ
Diff. between CNN and Affine(Fully-connected Layer) ํฉ์ฑ๊ณฑ ๊ณ์ธต์ ํ์์ ์ ์งํ๋ค. ์ด๋ฏธ์ง๋ฅผ 3์ฐจ์ ๋ฐ์ดํฐ๋ก ์ ๋ ฅ ๋ฐ์ผ๋ฉฐ, ๋ง์ฐฌ๊ฐ์ง๋ก ๋ค์ ๊ณ์ธต์๋ 3์ฐจ์ ๋ฐ์ดํฐ๋ก ์ ๋ฌํ๋ค. ๋ฐ๋ผ์ CNN์์๋ ์ด ๋ฏธ์ง์ฒ๋ผ ํ์์ ๊ฐ์ง ๋ฐ์ดํฐ๋ฅผ ์ ๋๋ก ์ดํดํ ๊ฐ๋ฅ์ฑ์ด ๋๋ค. โข๊ฐ ๋ ์ด์ด์ ์ ์ถ๋ ฅ ๋ฐ์ดํฐ์ ํ์ ์ ์ง โข์ด๋ฏธ์ง์ ๊ณต๊ฐ ์ ๋ณด๋ฅผ ์ ์งํ๋ฉด์ ์ธ์ ์ด๋ฏธ์ง์์ ํน์ง์ ํจ๊ณผ์ ์ผ๋ก ์ธ์ โข๋ณต์์ ํํฐ๋ก ์ด๋ฏธ์ง์ ํน์ง ์ถ์ถ ๋ฐ ํ์ต โข์ถ์ถํ ์ด๋ฏธ์ง์ ํน์ง์ ๋ชจ์ผ๊ณ ๊ฐํํ๋ Pooling ๋ ์ด์ด โขํํฐ๋ฅผ ๊ณต์ ํ๋ผ๋ฏธํฐ๋ก ์ฌ์ฉํ๊ธฐ ๋๋ฌธ์, ์ผ๋ฐ ์ธ๊ณต ์ ๊ฒฝ๋ง๊ณผ ๋น๊ตํ์ฌ ํ์ต ํ๋ผ๋ฏธํฐ๊ฐ ๋งค์ฐ ์ ์ โ CNNโs Features โขLocality CNN์ local ์ ๋ณด๋ฅผ ํ์ฉํ๋ค. ๊ณต๊ฐ์ ์ผ๋ก ์ธ์ ํ ์ ํธ๋ค์ ๋ํ correlation ๊ด๊ณ๋ฅผ ๋น์ ํ ํํฐ๋ฅผ ์ ์ฉํ์ฌ ์ถ์ถํด ๋ด๋๋ฐ, ์ด๋ฌํ ํํฐ๋ฅผ ์ฌ๋ฌ ๊ฐ ์ ์ฉํ๋ฉด ๋ค์ํ local ํน์ง์ ์ถ์ถํด ๋ผ ์ ์๊ฒ ๋๋ค. โขShared Weight ๋์ผํ ๊ณ์๋ฅผ ๊ฐ๋ filter๋ฅผ ์์ ์ ์ฒด์ ๋ฐ๋ณต์ ์ผ๋ก ์ ์ฉํจ์ผ๋ก์จ ๋ณ์์ ์๋ฅผ ํ๊ธฐ์ ์ผ๋ก ์ค์ผ ์ ์์ผ๋ฉฐ, topology๋ณํ์ ๋ฌด๊ดํ ํญ์์ฑ ์ป์ ์ ์๊ฒ๋๋ค.
4.
Convolution โ Convolution ์ ๋ ฅ ์์์ผ๋ก๋ถํฐ
Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ - Filter(=Kernel) & Stride ์ด๋ฏธ์ง์ ํน์ง์ ์ฐพ์๋ด๊ธฐ ์ํ ๊ณต์ฉ ํ๋ผ๋ฏธํฐ๋ก, ์ผ๋ฐ์ ์ผ๋ก (4, 4)์ด๋ (3, 3)๊ณผ ๊ฐ์ ์ ์ฌ๊ฐ ํ๋ ฌ๋ก ์ ์๋๋ค. CNN์์ ํ์ต์ ๋์์ ํํฐ ํ๋ผ๋ฏธํฐ์ด๋ฉฐ, ํฉ์ฑ๊ณฑ ์ฐ์ฐ์ ํํฐ์ ์๋์ฐ๋ฅผ ์ง์ ๋ ๊ฐ๊ฒฉ(stride)์ผ๋ก ์ํํ๋ฉฐ ์ฑ๋๋ณ๋ก(์ปฌ๋ฌ์ ๊ฒฝ์ฐ 3๊ฐ) ์ ๋ ฅ๋ฐ์ดํฐ์ ์ ์ฉํ์ฌ Feature Map์ ๋ง๋ ๋ค. ์ฃผ์ )์ ๋ ฅ ๋ฐ์ดํฐ์ ์ฑ๋ ์์ ํํฐ์ ์ฑ๋ ์๋ ๊ฐ์์ผ
5.
Convolution โ Filter ์ ๋ ฅ ์์์ผ๋ก๋ถํฐ
Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ Filter๋ ํด๋น ํน์ง์ ๋๋๋ฌ์ง๊ฒํ๊ฑฐ๋, ๊ทธ ํน์ง์ด ๋ฐ์ดํฐ์ ์๋์ง ์๋์ง๋ฅผ ๊ฒ์ถํด์ฃผ๋ ํจ์์ด ๋ค. ์1) ํน์ง์ ๋๋๋ฌ์ง๊ฒ ํ๋ ํํฐ ์2) ํด๋น ํน์ง ๊ฒ์ถ ํํฐ ๊ณก์ ์ ๊ฒ์ถํ๋ ํํฐ ์ง์ ๋ถ๋ถ์ ์ ์ฉํ๋ฉด? ๊ฒฐ๊ณผ๊ฐ 0์ ์๋ ด ์ฆ, ํํฐ๋ ์ ๋ ฅ ๋ฐ์ ๋ฐ์ดํฐ์์ ๊ทธ ํน์ฑ์ ๊ฐ์ง๊ณ ์์ผ๋ฉด ๊ฒฐ๊ณผ ๊ฐ์ด ํฐ ๊ฐ์ด ๋์ค๊ณ , ๊ฐ์ง๊ณ ์์ง ์์ผ๋ฉด 0์ ๊ฐ๊น์ด ๊ฐ์ด ๋ ์ค๊ฒ ๋์ด ํ ์ดํฐ๊ฐ ๊ทธ ํน์ฑ์ ๊ฐ์ง๊ณ ์๋์ง ์๋์ง์ ์ฌ๋ถ๋ฅผ ์ ์ ์๊ฒ ํด์ค๋ค.
6.
Convolution โ multiple filter ์ ๋ ฅ
์์์ผ๋ก๋ถํฐ Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ ์ ๋ ฅ ๊ฐ์๋ ์ฌ๋ฌ ๊ฐ์ ํน์ง์ด ์์ด, ์ฌ๋ฌ ๊ฐ์ ๋ค์ค ํํฐ ๊ฐ์ ๋ค์๊ณผ ๊ฐ์ด ์ ์ฉํ๊ฒ ๋๋ค. Input data | Filter ใ ก Filter
7.
Convolution โ Padding ์ ๋ ฅ ์์์ผ๋ก๋ถํฐ
Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ ํฉ์ฑ๊ณฑ ์ฐ์ฐ์ ํจ๋ฉ ์ฒ๋ฆฌ : ์ ๋ ฅ ๋ฐ์ดํฐ ์ฃผ์์ 0์ ์ฑ์ด๋ค. Convolution ๋ ์ด์ด์์ Filter์ Stride์ ์์ฉ์ผ๋ก Feature Map์ ํฌ๊ธฐ๋ ์ ๋ ฅ๋ฐ์ดํฐ๋ณด๋ค ์์์ง๋ค. ํฉ์ฑ๊ณฑ ์ฐ์ฐ์ ๊ฑฐ์น ๋ ๋ง๋ค ํฌ๊ธฐ๊ฐ ์์์ง๋ฉด ์ด๋ ์์ ์์๋ ํฌ๊ธฐ๊ฐ 1์ด ๋์ด๋ฒ๋ ค ๋ ์ด์ ํฉ์ฑ๊ณฑ์ ์งํํ ์ ์๊ฒ ๋๋๋ฐ, CNN ๋คํธ์ํฌ๋ ํ๋์ ํํฐ ๋ ์ด์ด๊ฐ ์๋๋ผ ์ฌ๋ฌ ๋จ๊ณ์ ๊ฑธ์ณ์ ๊ณ์ ํํฐ๋ฅผ ์ฐ์์ ์ผ๋ก ์ ์ฉํ์ฌ ํน์ง์ ์ถ์ถํ๋ ๊ฒ์ ์ต์ ํ ํด ๋๊ฐ๋๋ฐ, ํํฐ ์ ์ฉ ํ ๊ฒฐ๊ณผ ๊ฐ์ด ์์์ง๊ฒ ๋๋ฉด ์ฒ์์ ๋นํด์ ํน์ง์ด ๋ง์ด ์ ์ค๋ ์๊ฐ ์๋ค. ์ถฉ๋ถํ ํน์ง์ด ์ถ์ถ๋๊ธฐ ์ด์ ์ ๊ฒฐ๊ณผ ๊ฐ์ด ์์ ์ง๋ฉด ํน์ง์ด ์ ์ค๋๊ธฐ ๋๋ฌธ์, ์ด๋ฅผ ๋ฐฉ์งํ๊ธฐ ์ํ ๋ฐฉ๋ฒ์ผ๋ก ์ถ๋ ฅ ํฌ๊ธฐ๋ฅผ ์กฐ์ ํ ๋ชฉ์ ์ผ๋ก Padding์ ์งํํ๋ค.
8.
Convolution โ Output size ์ ๋ ฅ
์์์ผ๋ก๋ถํฐ Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ ํฉ์ฑ๊ณฑ ์ฐ์ฐ์ ์ฒ๋ฆฌ ํ๋ฆ ๋ฐฐ์น์ฒ๋ฆฌ Input data ๋์ด : H ํญ : W ํํฐ ๋์ด : FH ํํฐ ํญ : FW Stride ํฌ๊ธฐ : S ํจ๋ฉ ์ฌ์ด์ฆ: P
9.
Convolution โ Activation Function ์ ๋ ฅ
์์์ผ๋ก๋ถํฐ Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ ํํฐ๋ค์ ํตํด์ Feature map์ด ์ถ์ถ๋์์ผ๋ฉด, ์ด Feature map์ Activation function์ ์ ์ฉํ๊ฒ ๋๋ค. Activation function์ ๊ฐ๋ ์ ์ค๋ช ํ๋ฉด, ์์ ์ฅ ๊ทธ ๋ฆผ์์ ๊ณก์ ๊ฐ์ ํน์ง์ด ๋ค์ด๊ฐ ์๋์ง ์ ๋ค์ด๊ฐ ์๋์ง์ ํํฐ๋ฅผ ํตํด์ ์ถ ์ถํ ๊ฐ์ด ๋ค์ด๊ฐ ์๋ ์์์๋ 6000, ์ ๋ค์ด๊ฐ ์๋ ์์์๋ 0 ์ผ๋ก ๋์๋ค. ์ด ๊ฐ์ด ์ ๋์ ์ธ ๊ฐ์ผ๋ก ๋์ค๊ธฐ ๋๋ฌธ์, ๊ทธ ํน์ง์ด โ์๋ค ์๋คโ์ ๋น์ ํ ๊ฐ์ผ๋ก ๋ฐ๊ฟ ์ฃผ๋ ๊ณผ์ ์ด ํ์ํ๋ฐ, ์ด ๊ฒ์ด ๋ฐ๋ก Activation ํจ์์ด๋ค. ReLu ํจ์๋ฅผ ์ด์ฉํ๋ ์ด์ ๋ ๋ด๋ด ๋คํธ์ํฌ์์ ์ ๊ฒฝ๋ง์ด ๊น์ด์ง ์๋ก ํ์ต์ด ์ด๋ ต๊ธฐ ๋๋ฌธ์, ์ ์ฒด ๋ ์ด์ด๋ฅผ ํ๋ฒ ๊ณ์ฐํ ํ, ๊ทธ ๊ณ์ฐ ๊ฐ์ ์ฌ ํ์ฉํ์ฌ ๋ค์ ๊ณ์ฐํ๋ Back propagation์ด๋ผ๋ ๋ฐฉ๋ฒ์ ์ฌ์ฉํ๋๋ฐ, sigmoid ํจ์๋ฅผ activation ํจ์๋ก ์ฌ์ฉํ ๊ฒฝ์ฐ, ๋ ์ด์ด๊ฐ ๊น์ด์ง๋ฉด ์ด Back propagation์ด ์ ๋๋ก ์๋์ ํ์ง ์๊ธฐ ๋๋ฌธ์,(๊ฐ์ ๋ค์์ ์์ผ๋ก ์ ๋ฌํ ๋ ํฌ์์ด ๋๋ ํ์. ์ด๋ฅผ Gradient Vanishing ์ด๋ผ๊ณ ํ๋ค.) ReLu๋ผ๋ ํจ์๋ฅผ ์ฌ์ฉํ๋ค.
10.
Pooling ์ถ๋ ฅ ๋ฐ์ดํฐ์
ํฌ๊ธฐ๋ฅผ ์ค์ด๊ฑฐ๋ ํน์ ๋ฐ์ดํฐ๋ฅผ ๊ฐ์กฐํ๊ฒ ๋๋ ๋ ์ด์ด - Pooling ํ๋ง ๋ ์ด์ด๋ ์ปจ๋ณผ๋ฃจ์ ๋ ์ด์ด์ ์ถ๋ ฅ ๋ฐ์ดํฐ(Activation Map)๋ฅผ ์ ๋ ฅ์ผ๋ก ๋ฐ์์ ์ถ๋ ฅ ๋ฐ์ดํฐ์ ํฌ๊ธฐ๋ฅผ ์ค์ด๊ฑฐ๋ ํน์ ๋ฐ์ดํฐ๋ฅผ ๊ฐ ์กฐํ๋ ์ฉ๋๋ก ์ฌ์ฉํ๋ค. ํ๋ง ๋ ์ด์ด๋ฅผ ์ฒ๋ฆฌํ๋ ๋ฐฉ๋ฒ์ผ๋ก๋ Max Pooling๊ณผ Average Pooling, Min Pooling์ด ์๋ค. ์ผ๋ฐ์ ์ผ๋ก ๋ฐ์ดํฐํ๋ง์ ์๋์ฐ ํฌ๊ธฐ์ ์คํธ๋ผ์ด๋๋ ๊ฐ์ ๊ฐ์ผ๋ก ์ค์ ํ์ฌ ๋ชจ๋ ์์๊ฐ ํ ๋ฒ์ฉ ์ฒ๋ฆฌ๋๋๋ก ์ค์ ํ๋ค. - ํน์ง 1. ํ์ตํด์ผ ํ ๋งค๊ฐ๋ณ์๊ฐ ์๋ค. 2. ์ฑ๋๋ง๋ค ๋ ๋ฆฝ์ ์ผ๋ก ๊ณ์ฐํ๊ธฐ ๋๋ฌธ์, ์ฑ๋ ์๊ฐ ๋ณํ์ง ์๋๋ค. 3. ์ ๋ ฅ์ ๋ณํ์ ์ํฅ์ ์ ๊ฒ ๋ฐ๋๋ค. 4. ํต๊ณผํ๋ฉด ํ๋ ฌ์ ํฌ๊ธฐ๊ฐ ๊ฐ์ํ๋ค
11.
CNN โ Local feature
> global feature ์๋ก ์๊ธด ์ด๋ฏธ์ง๋ ์ ์ด๋ฏธ์ง์์ ๋ถ๋ถ ๋ถ ๋ถ์ ํน์ง์ ๋ฝ์๋ธ ๊ฒ ์ด๋ค.(local feature). ์ด๋ ๊ฒ ๋ถ๋ถ ๋ถ๋ถ์์ ํน์ง์ ์ ์ ์๊ธฐ ๋ ๋ฌธ์ ์ ์ฒด ์ด๋ฏธ์ง์์ ํน์ง์ ๋ถ์ํ๋ ๊ฒ ๋ณด๋ค ์ข ๋ ์ข์ ํ์ตํจ๊ณผ๋ฅผ ๋ผ ์ ์๋ ๊ฒ ์ด CNN์ด๋ค. ์ด๋ ๊ฒ Convolution์ ์ ์ฉํ ๋ฉด์ ์์ ํ์ต ์ชฝ์ ์ฑ๋ฅ์ ๋น์ฝ์ ์ผ๋ก ํฅ ์๋์๋ค. 1. local feature๊ฐ global feature๊ฐ ๋๋ ๊ณผ์ 2. CNN๊ณผ์
12.
CNN-Dropout
13.
Summary
14.
Summary
15.
Summary-Structure โ Convolutional Layer โข์ ๋ ฅ
๋ฐ์ดํฐ์ ํํฐ๋ฅผ ์ ์ฉ ํ ํ์ฑํ ํจ์๋ฅผ ๋ฐ์ํ๋ ํ์ ์์ โข์ ๋ ฅ ์์์ผ๋ก๋ถํฐ Convolution(filter)๋ฅผ ํตํด, feature map์ ์์ฑ โข์ฌ๋ฌ ๊ฐ์ ๋ค๋ฅธ ํน์ง์ ์ถ์ถํ๊ณ ์ถ๋ค๋ฉด, ์ฌ๋ฌ ๊ฐ์ convolution kernel๋ฅผ ์ฌ์ฉ โ Sub-sampling(Pooling) โข๊ฐ์ฅ ๊ฐํ ์ ํธ๋ง ์ ๋ฌํ๋ ๋ฐฉ์์ ์ฑํํ์ฌ ๊ฐ์ฅ ํฐ ๊ฐ์ ์ ํํ๋ ๋ฐฉ๋ฒ์ธ max-pooling์ ์ฃผ๋ก ์ฌ์ฉ โข์ด๋์ด๋ ๋ณํ ๋ฑ์ ๋ฌด๊ดํ ํ์ต ๊ฒฐ๊ณผ๋ฅผ ๋ณด์ด๊ธฐ ์ํด์ Convolution+Sub-sampling ๊ณผ์ ์ ์ฌ๋ฌ ๋ฒ ๊ฑฐ์ณ ๋ํํ ์ ์๋ ํน์ง์ ์ป๋ ๊ฒ์ด ์ค์
16.
Summary
17.
Thank you
Download now