<?xml version="1.0"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="ko">
	<id>https://wiki.conaondaapps.com/index.php?action=history&amp;feed=atom&amp;title=%EC%BB%A8%EB%B3%BC%EB%A3%A8%EC%85%98_%EC%8B%A0%EA%B2%BD%EB%A7%9D</id>
	<title>컨볼루션 신경망 - 편집 역사</title>
	<link rel="self" type="application/atom+xml" href="https://wiki.conaondaapps.com/index.php?action=history&amp;feed=atom&amp;title=%EC%BB%A8%EB%B3%BC%EB%A3%A8%EC%85%98_%EC%8B%A0%EA%B2%BD%EB%A7%9D"/>
	<link rel="alternate" type="text/html" href="https://wiki.conaondaapps.com/index.php?title=%EC%BB%A8%EB%B3%BC%EB%A3%A8%EC%85%98_%EC%8B%A0%EA%B2%BD%EB%A7%9D&amp;action=history"/>
	<updated>2026-08-20T20:06:08Z</updated>
	<subtitle>이 문서의 편집 역사</subtitle>
	<generator>MediaWiki 1.46.0</generator>
	<entry>
		<id>https://wiki.conaondaapps.com/index.php?title=%EC%BB%A8%EB%B3%BC%EB%A3%A8%EC%85%98_%EC%8B%A0%EA%B2%BD%EB%A7%9D&amp;diff=77&amp;oldid=prev</id>
		<title>Admina7ec671ac513: migrate: import legacy Wiki content to Vultr</title>
		<link rel="alternate" type="text/html" href="https://wiki.conaondaapps.com/index.php?title=%EC%BB%A8%EB%B3%BC%EB%A3%A8%EC%85%98_%EC%8B%A0%EA%B2%BD%EB%A7%9D&amp;diff=77&amp;oldid=prev"/>
		<updated>2026-08-20T04:19:30Z</updated>

		<summary type="html">&lt;p&gt;migrate: import legacy Wiki content to Vultr&lt;/p&gt;
&lt;p&gt;&lt;b&gt;새 문서&lt;/b&gt;&lt;/p&gt;&lt;div&gt;&amp;#039;&amp;#039;&amp;#039;컨볼루션 신경망&amp;#039;&amp;#039;&amp;#039;(convolutional neural network, CNN)은 합성곱(컨볼루션) 연산을 기반으로 하는 인공신경망 구조이다. 주로 이미지처럼 격자 구조를 가진 데이터를 처리하는 데 사용된다.&lt;br /&gt;
&lt;br /&gt;
== 개요 ==&lt;br /&gt;
이미지는 픽셀이 2차원 격자로 배열된 구조적 데이터이다. 완전연결 계층만으로 이미지를 처리하면 가중치 수가 폭증한다. CNN은 합성곱 연산으로 지역적인 특징을 추출하고 가중치를 공유하여 파라미터 수를 크게 줄인다. 1998년 LeNet-5가 문서 인식에 사용되었고, 2012년 AlexNet이 ImageNet 대회에서 압도적인 성능을 보이면서 딥러닝 붐을 이끌었다.&lt;br /&gt;
&lt;br /&gt;
== 핵심 개념 ==&lt;br /&gt;
&lt;br /&gt;
=== 합성곱 계층 ===&lt;br /&gt;
합성곱 계층은 작은 필터(커널)를 입력 위에 슬라이딩하며 각 위치에서 내적을 계산해 특징 맵(feature map)을 만든다. 필터는 지역 수용 영역(local receptive field)의 패턴(모서리, 질감 등)을 감지하며, 전체 위치에 같은 가중치를 적용하는 가중치 공유를 통해 파라미터 수를 줄인다.&lt;br /&gt;
&lt;br /&gt;
=== 패딩과 스트라이드 ===&lt;br /&gt;
패딩(padding)은 입력 가장자리에 0을 채워 특징 맵의 크기를 조절하고, 스트라이드(stride)는 필터가 이동하는 간격을 정한다. 두 요소는 특징 맵의 공간 크기를 결정한다.&lt;br /&gt;
&lt;br /&gt;
=== 풀링 계층 ===&lt;br /&gt;
풀링은 지역의 대표값을 뽑아 공간 크기를 줄인다. 최대 풀링(max pooling)이 대표적이며, 위치 변화에 대한 강건성을 높이고 연산량을 줄인다.&lt;br /&gt;
&lt;br /&gt;
=== 분류 계층 ===&lt;br /&gt;
여러 합성곱·풀링 계층을 거친 특징은 1차원으로 평탄화되어 완전연결 계층에서 최종 분류·회귀에 사용된다. 계층 사이에는 ReLU 같은 활성화 함수가 적용된다.&lt;br /&gt;
&lt;br /&gt;
== 대표 구조 ==&lt;br /&gt;
* LeNet-5: 초기 CNN 구조.&lt;br /&gt;
* AlexNet: 대규모 이미지 분류에서 CNN을 각광받게 한 구조.&lt;br /&gt;
* VGG: 작은 필터를 깊게 쌓은 구조.&lt;br /&gt;
* ResNet: 잔차 연결(residual connection)로 깊은 신경망 학습을 가능하게 한 구조.&lt;br /&gt;
* GoogLeNet(Inception): 여러 크기의 필터를 병렬로 사용하는 구조.&lt;br /&gt;
&lt;br /&gt;
== 활용과 발전 ==&lt;br /&gt;
CNN은 이미지 분류, [[객체 탐지]], 의미론적 분할 등 컴퓨터 비전 전반에 사용된다. 이후 이미지를 패치 단위로 나누어 [[트랜스포머]]에 입력하는 비전 트랜스포머(ViT)가 등장하면서, 비전 분야에서도 어텐션 기반 구조가 보편화되었다.&lt;br /&gt;
&lt;br /&gt;
== 한계 ==&lt;br /&gt;
CNN은 지역적 패턴 추출에 강하지만, 멀리 떨어진 위치 사이의 의존성을 다루기 어렵다. 시계열이나 문장 같은 순차 데이터는 [[순환 신경망]]이나 [[트랜스포머]]가 더 적합하다.&lt;br /&gt;
&lt;br /&gt;
== 함께 보기 ==&lt;br /&gt;
* [[다층 퍼셉트론]]&lt;br /&gt;
* [[순환 신경망]]&lt;br /&gt;
* [[트랜스포머]]&lt;br /&gt;
&lt;br /&gt;
== 출처 ==&lt;br /&gt;
* [https://en.wikipedia.org/wiki/Convolutional_neural_network 위키백과: Convolutional neural network]&lt;br /&gt;
* [http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf Gradient-Based Learning Applied to Document Recognition (LeCun et al., 1998)]&lt;br /&gt;
* [https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html ImageNet Classification with Deep Convolutional Neural Networks (Krizhevsky et al., 2012)]&lt;br /&gt;
* [https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition (He et al., 2015)]&lt;br /&gt;
&lt;br /&gt;
[[분류:인공신경망]]&lt;br /&gt;
[[분류:머신 러닝]]&lt;/div&gt;</summary>
		<author><name>Admina7ec671ac513</name></author>
	</entry>
</feed>