CNNs for Image Classification- 지금까지의 내용을 정리해보면, convolutional layer는 regional pattern들을 이미지로부터 뽑아내었다.- 그리고 그 이후 max pooling layer는 convolutional layer 이후에 등장하여 그 넓직함을 줄여준다.- (넓직함을 줄이지 않으면 over-fitting 될 리스크가 있음)- 이번엔 CNN 아키텍쳐를 설계하기위해 이 레이어를 나열하는 방법에 대해 알아보자.- 이미지 분류를 통해 CNN을 조금 더 구조적으로 이해할 수 있음.- 이 경우 CNN은 반드시 이미지 배열을 input으로 받아야한다. - 랜덤한 이미지의 예시.- 만약 현실 이미지(학습에 최적화 된 이미지가 아닌)를 사용한다면 매우 복잡한 문제가 ..
Pooling Layers- CNN을 구성하는데 필요한 중간, 최종 레이어에 대해 알아보자. - Pooling layer 라 부르는 이 레이어는 주로 콘볼루션 레이어를 input으로 받아들인다.- 콘볼루션 레이어는 각 필터당 하나의 feature map이 형성되고, 그 feature map을 스택처럼 쌓아둔 것이다.- 많은 object 카테고리가 존재하는 복잡한 데이터셋을 가지고 CNN을 구현해 내는경우 - 매우 많은 수의 필터를 필요로 하는데, 각각은 이미지의 패턴을 찾아내는데에 사용된다. - 필터가 많다는 얘기는 그만큼 feature map들이 쌓이게 된다는것이고 이것은- 우리가 구현할 CNN의 차원이 매우 크다는 얘기이기도 하다.- 고차원(Higher dimensionality)을 구현하려면 그에 ..