[AI/딥러닝] CNN 알고리즘

CNN 알고리즘이란? 이미지를 이해하는 딥러닝의 핵심 기술

CNN 알고리즘으로 음성을 분석하는 프로젝트를 진행했었습니다.

음성 파일을 주파수 이미지인 스펙트로그램으로 변환하여, 스펙트로그램을 CNN 알고리즘으로 학습시켜 어떤 음성인지 분석하도록 하는 것입니다.

 

인공지능이 이미지를 보고 고양이인지, 사람인지, 또는 자동차인지 구분할 수 있는 이유는 무엇일까요? 그 중심에는 바로 CNN(Convolutional Neural Network, 합성곱 신경망)이라는 딥러닝 알고리즘이 있습니다.

CNN은 컴퓨터가 이미지 속 시각적인 패턴을 이해할 수 있도록 돕는 구조로, 이미지 분석에 있어 가장 기본적이고 중요한 모델입니다.

---

📌 CNN이 필요한 이유

일반적인 신경망(Dense Neural Network)은 이미지를 일렬로 펼쳐서 처리합니다. 이 방식은 이미지의 공간적인 구조(패턴, 모양 등)를 무시하게 되고, 계산량도 엄청나게 많아집니다.

CNN은 이미지를 그대로 2차원 형태로 입력받고, 중요한 시각적 특징(예: 윤곽선, 색상 변화 등)을 자동으로 추출합니다. 덕분에 효율적이고 정확한 이미지 분석이 가능하죠.

---

🔍 CNN의 주요 구조

CNN은 보통 아래와 같은 단계로 구성됩니다:

1. 📦 Convolution Layer (합성곱 층)

• 이미지 위에 작은 필터(커널)를 슬라이딩하며 특정 패턴을 감지합니다.
• 예: 가장자리, 선, 원 등

2. ⚡ ReLU (활성화 함수)

• 음수 값을 제거하고 비선형성을 부여해, 복잡한 패턴을 학습할 수 있게 합니다.

3. 🔽 Pooling Layer (풀링 층)

• 이미지의 크기를 줄이면서도 중요한 정보는 유지합니다.
• 가장 많이 쓰이는 방식: Max Pooling

4. 🧮 Fully Connected Layer (완전 연결 층)

• 추출된 특징을 바탕으로 최종 분류 작업 수행
• 예: 고양이, 강아지, 자동차 등으로 분류

---

🧪 CNN으로 할 수 있는 일들

CNN은 이미지와 관련된 다양한 분야에서 폭넓게 사용됩니다.

• 🖼 이미지 분류: 사진 속 대상이 무엇인지 분류 (예: MNIST, CIFAR-10)
• 🧠 의료 영상 분석: CT, X-ray 이미지에서 이상 징후 탐지
• 📷 얼굴 인식: 카메라로 사람 식별
• ✍️ 필기체 인식: 숫자나 문자 자동 인식
• 🚗 자율주행: 차량 주변 객체 인식

---

🧑‍💻 간단한 CNN 예제 코드 (PyTorch)

 

import torch
import torch.nn as nn
import torch.nn.functional as F

# CNN 모델 정의 (MNIST 숫자 분류 예시용)
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()

        # 1채널 흑백 이미지 → 32개의 특징맵 출력
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, padding=1)

        # Max Pooling 레이어 (2x2 크기로 다운샘플링)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)

        # 32채널 입력 → 64채널 출력 (두 번째 Conv 레이어)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, padding=1)

        # 이미지 크기: 28x28 → conv1 → pool → conv2 → pool → 7x7
        # 64채널 * 7 * 7 사이즈를 1차원으로 펼쳐서 Fully Connected Layer로 전달
        self.fc1 = nn.Linear(64 * 7 * 7, 128)  # 첫 번째 Fully Connected Layer
        self.fc2 = nn.Linear(128, 10)          # 출력층 (클래스 수: 10개)

    def forward(self, x):
        # 1. 첫 번째 합성곱 + ReLU + Max Pooling
        x = self.pool(F.relu(self.conv1(x)))   # [1, 28, 28] → [32, 14, 14]

        # 2. 두 번째 합성곱 + ReLU + Max Pooling
        x = self.pool(F.relu(self.conv2(x)))   # [32, 14, 14] → [64, 7, 7]

        # 3. Feature map을 1차원 벡터로 변환 (Flatten)
        x = x.view(-1, 64 * 7 * 7)

        # 4. Fully Connected Layer + ReLU
        x = F.relu(self.fc1(x))

        # 5. 출력층 (로짓 반환, Softmax는 CrossEntropyLoss에서 처리)
        x = self.fc2(x)
        return x

---

✅ 마무리: 이미지 처리는 CNN부터

딥러닝에서 이미지를 다루고 싶다면, CNN은 반드시 알아야 할 기술입니다.
오늘날의 이미지 분류, 얼굴 인식, 자율주행 인공지능까지 – 그 시작은 대부분 CNN으로부터 시작된다고 합니다.