AI 요약관련 정보

• 이미지 분류 모델의 효율성 최적화: ResNet보다 적은 파라미터로 유사하거나 더 나은 성능을 달성하는 고급 CNN 모델을 소개합니다. 💡
• DenseNet의 핵심: 밀집 연결(Dense Connectivity)을 통해 이전 모든 층의 출력을 현재 층에 연결하며, 잔차 연결의 확장된 형태로 볼 수 있습니다. 🔗
• DenseNet의 연결 방식: 각 층의 출력을 깊이 차원(채널)으로 덧붙여(concatenate) 사용하며, 이로 인해 밀집 블록 내에서는 특성 맵의 높이와 너비가 유지됩니다. 📏
• DenseNet의 구조: 밀집 블록(Dense Block)과 전환 블록(Transition Block)을 반복적으로 쌓아 구성되어 연산 효율성을 높입니다. 🏗️
• DenseNet 전환 블록의 역할: 연산량 감소를 위해 1x1 합성곱으로 채널을 절반으로 줄이고, 2x2 평균 풀링으로 높이와 너비를 절반으로 줄입니다. 📉
• MobileNet의 목표: 모바일 환경을 위한 경량 합성곱 신경망으로, 성능 저하 없이 파라미터 수를 최소화하는 것을 목표로 합니다. 📱
• MobileNet의 핵심 기술: 깊이별 분리 합성곱(Depthwise Separable Convolution)을 도입하여 일반 합성곱보다 훨씬 적은 파라미터로 효율적인 연산을 수행합니다. ⚙️
• 깊이별 분리 합성곱의 구성: 입력 채널별로 필터를 적용하는 깊이별 합성곱(Depthwise Conv)과 채널을 통합/확장하는 1x1 합성곱(Pointwise Conv)으로 이루어집니다. 🧩
• MobileNet의 활성화 함수: 렐루 6(ReLU6) 함수를 사용하여 그레디언트가 너무 커지는 것을 방지하고 모델 안정성을 높입니다. ✂️
• MobileNet의 효율성: DenseNet보다도 훨씬 적은 파라미터 수(예: 1/4 수준)로 경량 모델을 구현하여 모바일 애플리케이션에 매우 적합합니다. ✨