CNN Feature Map

8-5. CNN의 Feature Map 분석

Feature Map의 진화

• CNN의 기본적인 구조는 Convolution과 Pooling을 반복을 한다.
• Convolution을 반복할 때에는 갈 수록 필터의 갯수를 늘려가며 더 많은 특징을 알아볼수 있도록 한다.
• Pooling도 반복을 해주며 점점 범위를 넓혀준다.

• 최종적으로 나온 피처 맵들을 겹쳐서 보면 특정 특징이 있는 곳만 색깔이 뚜렷하게 나와 특징을 구별해낼 수 있을 것이다.

• 이후 MLP를 통과시켜 최종적으로 해당 이미지가 어떠한 동물인지를 예측한다.

  • 즉, CNN이라고 MLP가 없는 것이 아니라 마지막 출력층에는 FC가 필요하다.

Feature Map 실제 모습

• CIFAR-10 데이터 셋을 이용하여 간단하게 이미지 분류 CNN 모델을 만들어보자.
• 첫번째 Conv. Block 에서 nn.Conv2d(3,32,3,padding =1) 라는 명령어를 입력했다.
  • 이는 in-channel이 3개, out-channel이 32개, 커널의 사이즈가 3x3이라는 것이다.
  • 즉, 32개의 특징을 뽑아보겠다는 말이다.
• 이후 두번째 블록에서는 32개에서 64개로, 세번째 블록에서는 64개에서 128개로 필터의 갯수를 늘렸다.
• 각 합성곱 연산마다 BN과 ReLU를 써주며 vanishing gradient문제를 해결했다.

• 첫번째 합성곱 블록을 통과한 뒤의 사진이다.
• 입력 이미지는 강아지이며 강아지의 외곽 선을 표시한 걸 알아볼 수 있다.

• 두번째 합성곱 블록을 통과한 뒤의 출력물이다.

• 첫번째와 달리 조금 더 디테일하게 강아지의 모습을 뽑아낸 것을 볼수 있다.

• 128개의 피처맵 중 일부만 가져왔다.

• 세번째 합성곱을 통과하니 특정 부분에만 값이 높게 나와 흰색으로 표시가 되는데 이미지의 특징의 위치를 표시하는 것 같다.

• 풀링을 계속함에 따라 강아지의 모습은 사라지고 예를 들어 눈이라면 눈의 위치가 흰색으로 표시되는 것을 볼수 있다.

• 마지막에 나오는 128개의 피처 맵을 모두 겹치니 강아지의 특징을 잘 뽑아낸 것을 볼수가 있다.
• 배경은 값을 줄이고 강아지의 특징이 있는 곳만 값이 높아 노란색으로 표시가 되는 것을 볼수가 있다.