Python Course Review - 03. CNN(Convolutional Neural Network)

1. 이미지 데이터를 표현하는 방식: Grayscale, RGB, HSV

1) Grayscale

* 명도를 나타내는 숫자(0 ~ 255)로 표시

• 장점
  
  • 연산량이 작고 속도가 빠름
  • 머신러닝, 엣지 검출, thresholding 등에 유리
  • CNN(Convolutional Neural Network)에서 전처리 시 자주 사용
• 용도
  
  • 얼굴 인식, 엣지 검출, 필터링 전 단계
  • 저장 공간이 중요할 때 (예: CCTV 영상 저장 등)

---

2)  RGB

* Red(0 ~ 255), Green(0 ~ 255), Blue(0 ~ 255)의 3가지 색의 명도로 표시

• 장점
  
  • 현실적인 색상 표현 가능 (우리 눈의 인식 방식에 기반)
  • 대부분의 디스플레이, 디지털 카메라, 이미지 파일 포맷이 RGB 기반
• 용도
  
  • 일반 사진/이미지 처리
  • OpenCV, PIL 등의 기본 컬러 처리 구조

---

3) HSV

* 색상(0 ~ 360), 채도(0 ~ 100), 명도(0 ~100)으로 표시

• 장점
  
  • 색상 기반 객체 탐지/필터링에 매우 유용
  • 밝기(Value)와 색상(Hue)를 분리할 수 있어, 조명 변화에 강함
• 용도
  
  • 색상 기반 마스킹 (예: 특정 색상의 물체 추적)
  • 조명 변화 대응 필요할 때

---

2. Fully Connected layer, Convolution Layer

1) Fully Connected Network의 한계

• 이미지(H×W×C)를 FC 레이어에 넣으려면 먼저 flatten()으로 1D 벡터로 만들어야 함
  
  • 예: 28×28×1 → 784×1
• 이 과정에서 픽셀 간의 공간적 관계(이웃, 위치 정보)가 완전히 사라짐
  
  •  모델이 “어디에 무엇이 있는가”를 고려하지 못함

2) Convolution Layer의 장점

• 원본 이미지 형태(H×W×C)를 그대로 유지하면서 필터를 이동시키며 연산 수행
• 이때 연산은 로컬 영역을 기준으로 하므로, 위치 정보, 주변 픽셀과의 관계, 형태적 특징을 부분적으로 보존하며 전달
  
  • 여러 층을 지나면서 점점 추상적이지만 위치감 있는 특징(feature)을 추출 가능

---

3. CNN 원리

1) Convolution Layer – 특징 추출

* 작은 크기의 필터(커널)를 이미지에 슬라이딩하며 합성곱 연산 수행
* 예를 들어, 3×3 필터 하나가 입력 이미지의 국소 영역을 스캔하면서 패턴을 감지함
* 필터는 학습을 통해 특정 특징(예: 수직 엣지, 원형 패턴 등)에 민감하게 반응하도록 최적화됨

---

2) Fully Connected Layer (FCN) – 분류 판단

* Convolution Layer의 마지막 feature map을 flatten()하여 1차원 벡터로 변환
* 이후 모든 뉴런이 완전히 연결된 Dense Layer를 통과
* 각 노드가 모든 입력 특징을 종합함
* 마지막 출력은 일반적으로 Softmax 또는 Sigmoid를 통해 확률 형태로 나타냄