전체 글439 CH15 풀링·스트라이드·패딩, 그리고 첫 CNN CH 15 컴퓨터 비전 입문 · Part 3 학습으로 넘어가기 (완)풀링·스트라이드·패딩, 그리고 첫 CNN14장에서 합성곱이 등변성을 주는 것을 확인했지만, CNN은 여전히 8픽셀 이동에 0.2027로 무너졌다. 원인은 명확했다 — 등변성은 불변성이 아니다. 이 장에서는 끝맺음을 네 가지로 바꿔 가며 정확도·속도·강건성·파라미터를 동시에 재고, "풀링은 좋다"가 어느 축에서 참인지 가른다. 네 축의 1등이 전부 달랐다.01 직관02 수식 읽는 법03 손으로 풀기04 코드05 시각화약어 및 기호 정의풀링pooling — 작은 창에서 값 하나만 남겨 해상도를 줄이는 연산. 학습 파라미터가 없다max pooling창 안의 최댓값을 남긴다. 9장의 팽창과 같은 연산이다stride보폭 — 커널을 몇 칸씩 건너뛰.. 2026. 8. 30. CH14 합성곱층: 가중치 공유와 수용영역 CH 14 컴퓨터 비전 입문 · Part 3 학습으로 넘어가기합성곱층: 가중치 공유와 수용영역13장에서 MLP의 두 가지 병을 진단했다 — 평행이동에 무너지고, 파라미터가 폭발한다. 두 병의 뿌리는 하나였다: 모델이 "이 픽셀과 저 픽셀이 이웃"이라는 것을 모른다. 합성곱층은 그 사실을 구조에 새겨 넣는다. 이 장에서는 conv(shift(x)) = shift(conv(x))를 오차 0.000으로 확인하고, 같은 예산의 MLP와 정면 비교한다.01 직관02 수식 읽는 법03 손으로 풀기04 코드05 시각화약어 및 기호 정의합성곱층convolutional layer — 4장의 커널을 학습으로 찾는 층. 커널 값이 파라미터다가중치 공유weight sharing — 같은 커널을 모든 위치에서 재사용. 파라미터.. 2026. 8. 30. CH13 왜 MLP는 이미지에서 무너지는가 CH 13 컴퓨터 비전 입문 · Part 3 학습으로 넘어가기왜 MLP는 이미지에서 무너지는가12장의 MLP는 0.9453이었다. 11장의 HOG(0.9833)에 졌다. 이 장에서는 정확히 무엇이 문제인지를 두 가지로 진단한다 — 숫자를 1픽셀만 밀어도 정확도가 얼마나 떨어지는지, 그리고 완전연결층의 파라미터가 얼마나 폭발하는지. 그리고 "데이터 증강으로 고치면 되지 않나"를 실제로 시험한다.01 직관02 수식 읽는 법03 손으로 풀기04 코드05 시각화약어 및 기호 정의MLPMulti-Layer Perceptron — 완전연결층만 쌓은 신경망. 12장에서 만든 것완전연결fully-connected, FC — 모든 입력이 모든 출력에 각자 다른 가중치로 연결평행이동 등변성translation equiva.. 2026. 8. 30. CH12 신경망 최소한: 역전파를 손으로 CH 12 컴퓨터 비전 입문 · Part 3 학습으로 넘어가기신경망 최소한: 역전파를 손으로11장에서 사람이 설계한 특징이 어디까지 가는지 쟀다. 이제 특징을 학습으로 찾는 쪽으로 간다. 이 장에서는 입력 2 → 은닉 2 → 출력 2짜리 신경망 하나를 손으로 끝까지 미분하고 수치미분과 대조한다(오차 3.21×10⁻¹⁰). 그리고 활성함수가 없으면 층을 쌓아도 소용없다는 것을 학습으로 확인한다. 여기서 만드는 numpy 코드가 14·15장의 CNN이 된다.01 직관02 수식 읽는 법03 손으로 풀기04 코드05 시각화약어 및 기호 정의선형층fully-connected layer — z = xW + b. 모든 입력이 모든 출력에 연결된다활성함수activation — 층 사이에 넣는 비선형 함수. 없으면 층을.. 2026. 8. 30. CH11 픽셀을 특징으로: HOG와 선형분류기 CH 11 컴퓨터 비전 입문 · Part 3 학습으로 넘어가기픽셀을 특징으로: HOG와 선형분류기여기서부터 학습이 시작된다. 그런데 딥러닝으로 뛰어들기 전에 먼저 재 둬야 할 숫자가 있다 — 손으로 설계한 특징이 어디까지 데려다 주는가. 이 장에서는 같은 분류기·같은 데이터에 날 픽셀과 HOG를 각각 넣어 0.8953 vs 0.9833을 재고, 조명과 위치를 흔들어 무엇에 강하고 무엇에 약한지를 가른다.01 직관02 수식 읽는 법03 손으로 풀기04 코드05 시각화약어 및 기호 정의특징feature — 원본 데이터를 분류에 쓸 숫자 벡터로 바꾼 것특징공학feature engineering — 사람이 손으로 설계하는 것. 14장부터는 학습이 대신한다HOGHistogram of Oriented Gradien.. 2026. 8. 30. CH10 고전 분할: 임계값·Otsu·적응형 CH 10 컴퓨터 비전 입문 · Part 2 고전 비전의 도구들고전 분할: 임계값·Otsu·워터셰드"밝으면 물체, 어두우면 배경"은 가장 단순한 분할이다. 문제는 그 경계를 어디에 둘 것인가이고, Otsu는 정답을 모른 채 히스토그램만 보고 그것을 정한다. 이 장에서는 모든 임계값을 전수조사해 Otsu가 정말 최적에 가까운지 확인하고, 조명을 기울여 가며 전역 임계값이 무너지는 지점을 찾는다. "적응형이 언제나 낫다"는 예상은 절반만 맞았다.01 직관02 수식 읽는 법03 손으로 풀기04 코드05 시각화약어 및 기호 정의분할segmentation — 픽셀 하나하나를 어느 영역에 속하는지 나누는 일이진화binarization — 임계값 하나로 흑/백 두 그룹으로 나누는 가장 단순한 분할Otsu大津(1979.. 2026. 8. 30. 이전 1 2 3 4 ··· 74 다음
