728x90 반응형 AI/인공지능(CNN)12 [인공지능] 컨볼루션과 푸리에 해석: 딥러닝이 패턴을 찾는 원리 CNN은 이미지, 음성 등 반복되는 패턴(주기성)이 있는 데이터를 처리하기 위해 고안되었으며, 컨볼루션과 푸리에 해석은 이 패턴을 추출하는 두 가지 핵심적인 도구입니다. CNN과 컨볼루션 : 데이터의 순서를 활용하는 법CNN의 합성곱(Convolution) 연산은 데이터를 지역적으로 (Locally) 분석하며, 데이터가 가진 공간적/시간적 순서를 보존하고 활용하는 역할을 합니다. FC 레이어의 한계 극복(구조 보존)FC(Fully Connected)레이어는 입력 데이터를 1차원으로 Flatten(평탄화)하여 인접성(지역성)이라는 중요한 구조적 정보를 파괴합니다.컨볼루션의 역할 : CNN은 필터(커널)를 사용하여 입력 데이터(f) 위를 훑으며 인접한 부분만(패치)을 분석합니다. 이로써 시간적 순서나 공간적.. 2025. 11. 3. [인공지능] ResNet 전이 학습 : 에포크 설정이 성능에 미치는 영향 분석 딥러닝 모델을 활용한 이미지 분류 프로젝트에서 전이 학습(Transfer Learning)은 필수적인 기법입니다. 특히 ImageNet으로 사전 훈련된 ResNet 모델을 새로운 데이터셋에 적용할 때, 학습의 효율성과 최종 성능을 결정하는 핵심 요소 중 하나가 바로 에포크(Epoch) 설정입니다. 이번 글에서는 전이 학습의 2단계 전략에서 에포크를 다르게 설정했을 때 어떤 결과가 예측되는지 분석하고, 안정적으로 높은 성능을 얻기 위한 최적의 전략을 제시합니다. 전이 학습의 2단계 전략 효율적인 ResNet 기반 전이 학습은 일반적으로 두 단계로 나뉩니다. 특징 추출(Feature Extraction)목표 : 사전 훈련된 ResNet Base Model은 동결하고, 새로 추가된 최종 분류기(Classifi.. 2025. 11. 2. [인공지능] 머신 러닝의 핵심 열쇠 : 베이즈 정리(Bayes' Theorem) 데이터를 다루고 머신러닝을 공부하는 사람이라면 반드시 알아야할 핵심 개념 베이즈 정리에 대해 이야기해보려 합니다. 머신러닝 교재의 첫 장을 장식하는 베이즈 정리는 단순히 이론을 넘어 실제 복잡한 문제를 푸는 강력한 도구가 됩니다. 왜 베이즈 정리가 중요할까?대부분의 기계 학습(Machine Learning) 방법론들은 어떤 가설을 설정하고, 데이터라는 관찰 결과를 토대로 그 가설을 지속적으로 업데이트해 나가는 과정입니다. 베이즈 정리는 이러한 사후확률(Posterior Probability)의 업데이트 과정을 수학적으로 명쾌하게 설명해줍니다. 간단하면서도 강력함 : 베이즈 정리에 기반한 베이즈 분류기(Bayes Classifier)는 다른 복잡한 기계 학습 방법론들에 비해 알고리즘이 상대적으로 간단하지만.. 2025. 11. 1. [인공지능] 전이 학습(Transfer Learning) 완벽 가이드: CNN 기반 Fine-tuning 및 Feature Extraction 분석 전이 학습(Transfer Learning)에 대해 깊이 있게 알아보겠습니다. 특히 이미지 인식 분야에서 강력한 성능을 자랑하는 CNN(Convolution Neural Network)을 기반으로 전이 학습의 다양한 전략을 코드와 함께 분석해 보겠습니다. 전이 학습이란?전이 학습은 사전에 훈련된 모델이 갖고 있는 지식(가중치)을 그대로 가져와 새로운 문제에 적용함으로써 학습 시간을 단축하고 성능을 향상 시키는 머신러닝 기법입니다. 사용 이유 : 대규모 데이터셋(ImageNet)으로 학습된 모델의 광범위한 특징 추출 능력을 활용하여, 더 적은 데이터와 시간으로도 새로운 문제에 대해 높은 성능을 달성하기 위함입니다. CNN과의 관계 : CNN은 여러 층을 거치며 저수준(예지, 텍스처)부터 고수준(형태, 객체.. 2025. 10. 31. [인공지능] 잔차 신경망(ResNet)으로 기울기 소실 문제 해결 개요잔차 신경망(ResNet, Residual Network)은 2015년 Microsoft Research 팀에 의해 소개된 혁신적인 딥러닝 모델입니다. 이 모델은 네트워크의 층이 깊어질수록 오히려 성능이 저하되는 성능 저하(Degradation) 문제와 기울기 소실(Vanishing Gradient) 문제를 해결하기 위해 고안되었습니다. ResNet은 잔차 학습(Residual Learning)이라는 단순하지만 강력한 아이디어를 통해, 150층 이상의 깊은 신경망에서도 안정적으로 학습하고 뛰어난 성능을 발휘하여 현재까지도 컴퓨터 비전 분야의 핵심 기술로 사용되고 있습니다. 깊이의 한계를 뛰어넘는 잔차 학습ResNet의 핵심은 Residual Learning입니다. 기존 신경망이 입력 $x$에 대해 원.. 2025. 10. 30. [인공지능] 딥러닝 객체 검출의 혁신, Yolo(You Only Look Once) 개요YOLO(You Only Look Once)는 실시간 객체 검출(Real-Time Object Detection) 분야를 혁신한 딥러닝 모델입니다. 기존의 객체 검출 방식들이 여러 단계를 거쳐 느리고 복잡했던 것과 달리, YOLO는 이미지 전체를 단 한 번의 신경망 연산으로 처리하여 압도적인 속도와 뛰어난 성능을 동시에 달성했습니다. 이는 자율 주행차, 지능형 CCTV, 드론 검사 등 실시간 응용 분야의 발전을 가속화하는 핵심 기술로 자리매김했습니다. 주제 개념YOLO의 주제 개념은 통합 인식(Unified Detectoin) 입니다. 대부분의 긱존 객체 검출 모델(Two-Stage Detector 예 : R-CNN)은 객체가 있을만한 위치를 먼저 제안(Proposal)하고, 그 후에 분류(Clas.. 2025. 10. 29. 이전 1 2 다음 728x90 반응형
