CNN은 DNN의 한계인 차원의 저주(curse of dimensionality)를 해결하기 위해 이미지의 공간 정보를 유지한 채 학습을 하는 모델입니다.
Convolutions와 Subsampling의 중요한 부분은 특징 추출(feature extraction)입니다.
추출한 특징을 바탕으로 연결한 Fully Connected Layer의 중요한 부분은 Classification(분류) 입니다.
CNN의 장점으로 Local Invariance(국소적으로 비슷하다) 가 있습니다. 그 이유는 Convolution filters가 전체 이미지를 모두 돌아 다니는(sliding) 방법 때문입니다.
CNN의 핵심 부분으로 Convolution Layer에서 이미지를 Classification(분류) 하는데 필요한 Feature(특징) 정보들을 뽑아냅니다.
다음은 Convolution Filter가 Convolution을 통해 어떻게 Feature Map을 구성하는지 간단하게 나타낸 것입니다.
Convolution Filter(=Kernel)를 일정한 간격으로 Stride(이동) 하며 Image에 적용 후 Filter에서 대응하는 원소끼리 곱한 후 그 총합을 구합니다.