CNN(합성곱 신경망)의 특징과 활용 사례

 

지난 포스팅에서는 CNN (합성곱 신경망)의 계층 구조에 대해서 자세하게 다뤄보았습니다.

 

CNN(합성곱 신경망)의 계층 구조

 

그렇다면 CNN에는 어떤 특징이 있는 것일까요? 지금부터는 CNN만의 특징에 대해 자세히 알아보겠습니다.

---

CNN의 특징

국소 수용 영역

먼저 우리 인간이 어떻게 물체를 보고 인식하는지 생각하시면 이해가 쉽습니다. 물체를 볼 때 생기는 과정으로 먼저 물체에서 반사된 빛이 눈 속 망막에 상을 맺습니다. 그리고 시신경을 통해 뇌에 자극이 주어져 물체가 무엇인지 인식한다는 흐름입니다.

이때 물체의 상 전체를 한 번에 파악하는 것은 아닙니다. 한정된 영역마다, 상을 스캔하는 것처럼 인식해 가는 것입니다. 이 한정된 영역을 '국소 수용 영역'이라고 부릅니다.

국소 수용 영역이 받는 빛의 자극은 전기 신호로 변환되어 뇌에 도달합니다. 그리고 거기서 시각 인식과 관련된 뉴런이 반응하는 것입니다. 이 뉴런은 '단순형 세포', '복잡형 세포' 두 가지로 이루어져 있습니다.

 

가중치 공유

국소 수용 영역과 더불어 가중치 공유라는 CNN의 다른 특징은 파라미터 수를 감소시킵니다. 가중치 공유는, 이미지가 가지는 '어떤 위치에서의 중요한 특징에 관해서는, 다른 위치에서도 중요할 가능성이 높다'라고 하는 특징을 이용한 것입니다.

예를 들어, 이미지 속에 개가 있는지에 대한 여부를 학습한다고 가정해 봅니다. 이 경우 이미지 속의 다양한 위치에 개가 찍혀 있을 것으로 예상됩니다. 원래라면 각 위치에 있는 개를 별도의 필터로 학습해야 합니다. 그렇기 때문에 학습도 어려워지게 되는 것입니다.

그러나 개가 어디에 있든 똑같이 인식할 수 있게 되면 그 난이도는 단번에 떨어집니다. '1개의 CNN 안에서는, 1개의 필터(가중치)를 공유한다'라는 바탕으로 이루어지는 것이 가중치 공유의 개념입니다.

---

CNN의 활용 사례

Google의 이미지 설명을 자동으로 생성하는 기술

Google이 개발한 이미지의 설명을 자동 생성하는 기술에서 CNN이 활용되고 있습니다. 해당 기능이 거쳐가는 과정으로는 처음에 CNN의 기술을 활용해 이미지 속의 상황에 대해 해석시킵니다. 그리고 여기서 얻은 정보를 RNN에 사용함으로써 이미지 인식을 위한 알고리즘이 작성한 데이터를 문장을 만들어가는 것이 가능하게 되는 것입니다.

또, 직접적으로 다양한 이미지를 인식시켜 설명을 붙임으로써 보다 자세한 묘사의 설명을 추가할 수 있게 됩니다.

 

네이버의 식물 검색 기술

CNN의 대표적인 활용 사례로 식물 검색 기능이 있습니다. 혹시 길을 가다가 문득 궁금해지는 식물에 대해 알아보고 싶을 때, 네이버 식물 검색 기능을 이용해서 사진을 찍고 이름을 알아본 적이 있나요? 이런 기능에 바로 CNN이 이용되고 있는 것입니다.

이미지를 바탕으로 식물의 색, 모양 등을 판별한 후 등록된 식물 이미지와 비교해 식별하는 구조입니다.

 

루닛 사의 흉부 엑스레이 영상 판독 기술

예전에는 흉부 엑스레이를 찍고 나서 의사나 방사선 전문의가 직접 판독을 해야 했습니다. 하지만 최근 루닛 사에서 AI를 통해 흉부 엑스레이 영상을 판독할 수 있는 기술을 선보였습니다. 이 기술에도 CNN이 이용되었습니다.

 

엑스레이 영상을 사람 눈으로 분간이 어려울 정도로 세밀하고 작게 쪼갭니다. 그리고 인공 지능이 학습하고 인지하는 패턴들이 나타나는지 확인하는 것입니다. 특정 영역이 균일하지 않거나 유독 어둡다면 흉부에 문제가 있다고 판단할 수 있는 것입니다.

 

이런 기술의 발전은 인간이 미세하기 놓칠 수 있던 부분들도 예리하게 잡아내어 정확성을 더해줄 수 있습니다. 특히 정식적으로 판독을 하기 어려운 응급상황에 빠르게 임시적인 판독을 도우는 방법 등으로도 유용하게 쓰일 수도 있습니다.

---

CNN과 RNN의 차이

RNN 이란 Recurrent Neural Network를 줄인 말로, 한국에서는 '재귀형 신경망' 또는 '순환 신경망' 등으로도 불리고 있습니다. 문장과 같은 연속적인 정보를 이용할 수 있다는 점이 특징입니다. 최근에는 구글의 이미지 설명을 자동으로 생성하는 기술처럼 CNN에 RNN을 조합하는 경우도 많아지고 있어 점점 활용의 폭이 넓어지고 있는 상황입니다. 앞으로 어떤 형태로 CNN이 가치를 발휘해 나갈지 기대가 됩니다.

---

이번 포스팅에서는 CNN의 구조와 특징을 처음부터 소개해 드렸습니다. 이미 다양한 분야에서 CNN이 활용되고 있는 것을 확인해 보았습니다. CNN의 개념을 익혔으니 앞으로 CNN이 사용되는 기술을 사용할 때 해당 제품이 어떻게 이미지를 어떻게 인식하는지 머릿속에 그려지셨으면 좋겠습니다.