화이트 모드로 보시길 권장합니다
[AI Friends School] 시리즈는 MicroShcool에서 진행하는 온라인 인공지능 학습 학교이다.
AI Friends School 강의 내용을 말하기 전, AI Friends School에선 어떠한 것을 배우는지 알아보자
AI Friends School이란?
AI Friends School은 인공지능 기술을 적용해 세상의 문제를 해결할 수 있는 시티즌 디벨로퍼로 성장하는 것을 목표로 한다.
-AI Friends School 온라인 과정 ( 36차시, 3개월 )-1. 인공지능 들어가기(1차시 ~ 10차시) 2. 인공지능·영상처리 이론(11차시 ~ 15차시) 3. 인공지능·영상처리 실습(16차시 ~ 23차시) 4. 인공지능·음성 / 자연어 처리 이론(24차시 ~ 28차시) 5. 인공지능·음성 / 자연어 처리 실습(29차시 ~ 36차시)
이미지 데이터
이미지 데이터
픽셀로 구성되어 행렬을 이룬다.
앞 차시에서 배운 회귀, 퍼셉트론, 인공신경망등은 ' 공간적 구조 '를 반영하지 못하기에 이미지 데이터를 학습시키기엔 어려움이 있다.
공간적 구조 :
이미지에서 사물과 그 배경을 구분짓는등 이미지 데이터에서 무언가를 인지한다는 특징을 의미한다.
이미지 데이터이의 픽셀마다 가지고 있는 정보들이 관계를 가지고 있는 것을 의미한다.
( ex. 고양이 사진에서 고양이인것, 아닌것을 구분짓는 경계선 혹 경계선을 기준으로 색상의 차이 등 )
공간적 구조를 통해 컴퓨터가 이미지속 물체의 특징을 효과적으로 학습, 인식할 수 있다.
합성곱
합성곱( Convolution )
공간적 특징을 효과적으로 반영하기 위한 기계 학습 방법론이다.
수학적 연산기법으로, 서로 곱한 후 합한다 '는 의미를 갖고 있다.
모든 정보가 반영되어 크기가 줄어든 형태로 결과가 나오기에 데이터를 압축하여 연산의 효율을 가져올 수 있다.
이미지 데이터의 특징을 압축하여 특징맵에 담아내는 효과가 있다.
합성곱 연산 방법 :
각 자리의 정보끼리 곱한 후, 모두 합하는 것이다.
(n*n)크기의 행렬, (m*m)크기의 행렬의 합성곱 연산 결과의 크기는 { (n-m+1)*(n-m+1) } 이다.

ex. 3*3 이미지 데이터를 예시로한 계산 방법 설명

이와 같은 이미지 데이터에 합성곱 연산을 실시할 경우
2*0 + 4*1 + 3*0 + 1*2 + 5*1 + 7*2 + 3*(-1) + (-3)*(-1) + (-2)(-1) = 27
27이라는 값이 나온다.
ex. 5*5, 3*3 이미지 데이터를 예시로한 계산 방법 설명




( https://wikidocs.net/64066 이미지 자료를 사용하였습니다. )
5*5 이미지 데이터와 3*3 이미지 데이터에 합성곱 연산을 실시할 경우 3*3의 합성곱 연산 결과가 탄생한다.
필터
필터( Filter )
이미지 데이터에 합성곱 연산을 실시할 때 사용되는 것을 의미한다.
특정한 정보값이 있을 때 불필요한 정보는 차단, 필요한 정보는 통과시키는 것이다.
필터를 구성함에 따라 이미지의 노이즈 제거, 이미지 블러처리 등을 할 수 있다.

평균값 필터( Mean Filter )
필터 안에 들어오는 모든 픽셀들의 값을 더한 후 필터의 크기로 나눠 평균을 구한 뒤, 영상을 압축한다.
평균값 필터 안에 들어오는 모든 픽셀들은 같은 가중치로 평균을 구하여 합성곱을 실시한다.
단점 :
가까운 픽셀, 멀리있는 픽셀이 같은 가중치로 평균이 구해지게 된다.
대상 픽셀과는 멀리 있는 픽셀의 값도 영향을 받게 된다.



가우시안 필터( Gaussian filter )
이미지를 흐리게 하여 경계선을 부드럽게 만든다.
필터의 구성이 연속 확률의 분포중 하나인 가우시안 분포로 이루어진 형태를 의미한다.
필터 정중앙에 놓인 픽셀에 높은 가중치를 주고 멀리갈수록 점점 낮은 가중치를 부여한다.
거리에 따라 픽셀에 주는 가중치 값은 정규분포 공식으로 계산하여 부여한다.
가우시안 필터 가중치 그래프는 정규분포 그래프와 비슷하다.


2차원일 때 가우시안 필터에서 각 픽셀의 좌표에 대해 가중치를 계산 하는 방식은 다음과 같다.
σ(시그마)값은 임의로 정해주게 되며, 값을 정하지 않을 경우 필터의 크기가 들어가게 된다.
이후 필터에서 각 픽셀의 좌표값 (x,y)를 아래 2차원 가우시안 필터 공식에 적용하여 각 픽셀에 대한 가중치 값을 구한다.

가중치를 계산한 뒤 필터 안 픽셀들의 색 정보에 가중치를 적용시킨 후 평균값을 구해 합성곱을 실시한다.

특징맵
특징맵( Feature Map )
합성곱을 거쳐 나온 결과를 의미한다.
합성곱을 거쳐 나온 결과는 이미지의 특징을 간략, 효율적으로 나타내고 있기에 특징맵이라 한다.

여러개의 합성곱 연산을 연속으로 수행할 경우 압축하는 이미지의 특징이 더 많아지게 되며, 데이터의 크기가 줄어든다.
위와 같이 연산할 경우 이미지를 분류하는데 빠른 연산을 수행 가능하고, 이미지 데이터의 전체적 특징을 잘 반영할 수 있다.
CNN( Convolution Neural Network )
합성곱을 이용하여 이미지 데이터를 학습하는 인공신경망 구조를 의미한다.
이미지 자체를 그대로 받아 학습할 때보다 연산량의 효율을 갖고, 파악할 이미지 특징에 대해 압축해 받아들이는 개선된 방법이다.
Segmentation 작업 :
각 이미지를 이루는 각 픽셀이 어떤 클래스에 해당하는지 예측하는 작업을 수행하는 것이다.
다음 차시에는 RNN의 개념, 사례에 대해 배운다
'AI Friends School' 카테고리의 다른 글
[AI Friends School 10차시] RNN이란? (1) | 2023.01.27 |
---|---|
[AI Friends School 8차시] 이미지 데이터의 이해 (1) | 2023.01.19 |
[AI Friends School 7차시] 인공 신경망의 구조와 개념 (0) | 2023.01.12 |