0610 Classification - CNN - 벨로그 세번째 컨볼루션 레이어는 전 단계의 두 채널의 특성맵들과 모두 연결되어 있다 VGGNet 여기서 말하는 VGGNet은 16개 또는 19개의 층으로 구성된 모델을 의미한다(VGG16, VGG19로 불림)
[CNN 알고리즘들] AlexNet의 구조 by bskyvision. com 2) 두번째 레이어(컨볼루션 레이어): 256개의 5 x 5 x 48 커널을 사용하여 전 단계의 특성맵을 컨볼루션해준다 stride는 1로, zero-padding은 2로 설정했다 따라서 27 x 27 x 256 특성맵(256장의 27 x 27 사이즈 특성맵들)을 얻게 된다
[DL] CNN 모델 구조 — JoEs StOrY 3) 세번째 레이어(컨볼루션 레이어): 384개의 3 x 3 x 256 커널을 사용하여 전 단계의 특성맵을 컨볼루션해준다 stride와 zero-padding 모두 1로 설정한다 따라서 13 x 13 x 384 특성맵 (384장의 13 x 13 사이즈 특성맵들) 을 얻게 된다
CNN - convolution 연산 이해하기 - MINIs STAT. ION stride는 conv filter가 픽셀이 얼만큼의 거리로 움직일 것인지를 결정한다 만약, stride = 2라면, 두 픽셀씩 옆으로 움직인다 Padding padding은 stride를 할 때, image 주변에 공간을 늘려주는 역할을 한다 zero padding은 옆에 추가하는 공간을 0으로 잡아주는 것이다 Pooling
[알고리즘] 컨볼루션 신경망(CNN, Convolution Neural Network) CNN은 이미지(영상)를 분석하기 위한 패턴을 찾아 이를 직접 학습하고, 학습한 패턴을 이용하여 이미지를 분류한다 CNN은 Convolution Layer, Pooling Layer(Sub Sampling), Fully Connected Layer 를 사용하여 사람의 시각처리방식을 모방한 딥러닝 학습 모델이며, 이미지(영상) 분류에 적합한 딥러닝 모델이다
뉴럴 네트워크와 딥러닝 - Sihyeon Kim 이전 층의 출력은 $20$개의 특징 맵을 포함하므로, 두 번째 컨볼루션-풀링 층의 입력은 $20 \times 12 \times 12$이다 이는 컨볼루션-풀링 층에 하나의 이미지가 아니라, 별개의 $20$개 이미지를 입력하는 것과 같다 첫 번째 컨볼루션-풀링 층의 경우와는 다르다