CV vs. 고전 컴퓨터 비전

1. CNN vs. 고전 컴퓨터 비전

1.1 고전 컴퓨터 비전

고전 컴퓨터 비전에서의 filter

Sobel Filter : 정해진 Sobel filter를 통해 x방향과 y방향으로 변화율을 계산해서 edge를 검출 (학습 불가능)

1.2 현대의 컴퓨터 비전

학습가능한 filter의 등장

CNN(Convolutional Neural Network)

Convolution Filter : Conv 연산을 통해 산출한 결과를 정답지(Ground Truth)와 비교하여 오차를 줄여나가는 방식으로 계속 업데이트 되는 학습 가능한 필터를 많이 사용

학습가능한 filter의 장점

고전 CV만으로는 성능이 좋지 않거나 해결이 불가능했던 task를 가능

ex. noise에 대해서도 강건하게 edge를 검출할 수 있음

정답지만 있다면, filter 그 자체를 학습하게 되면서 task가 간단해짐

1.3 학습 가능한 파라미터란?

학습가능한 parameter를 가진 layer 예시

• Convolution Layer
  $Parameter = (F_m \times F_m \times C_m + 1) \times C_{out}$
• Batch Normalization Layer
  $Parameters = 2 \times C_m \dots (\gamma, \beta)$
• Fully Connected Convolution Layer
  $Parameters = (N_m \times N_m \times C_m + 1) \times M$

학습이 불가능한 layer 예시

• Activation Layer
  
  1. Sigmoid
  2. tanh
  3. ReLU
  4. Leaky ReLU
  5. Maxout
  6. ELU
• Pooling Layer
  
  1. Max-Pooling
  2. Average Pooling

• dl
• cv