CNN 이미지 분류기 — 사진 한 장의 의미

이런 분들이 찾고 있어요

이 레슨과 관련된 학습 키워드

CS/AI 전공 대학생

딥러닝 기말고사딥러닝 중간고사인공지능 전공 정리딥러닝 과제신경망 시험 대비

비전공/입문자

딥러닝 쉽게 설명딥러닝이란AI 기초 공부딥러닝 독학딥러닝 입문 추천

취준생

딥러닝 면접 질문AI 엔지니어 준비딥러닝 포트폴리오

직장인

딥러닝 실무 적용AI 업스킬링직장인 딥러닝 강의

대학원생/연구자

딥러닝 최신 동향neural network 서베이

AI 교육 플랫폼

AI 교육 플랫폼 추천AI 강의 사이트머신러닝 온라인 강의딥러닝 강의 추천

AI 독학/로드맵

AI 독학 방법머신러닝 공부 순서딥러닝 로드맵머신러닝 독학 로드맵

AI 취업/커리어

AI 취업 준비데이터 사이언티스트 강의ML 엔지니어 준비AI 면접 준비

CNN 이미지 분류기 — 사진 한 장의 의미

PyTorch를 사용하여 이미지 분류를 위한 합성곱 신경망(Convolutional Neural Network)을 구축하고 훈련합니다.

1 / 15

이미지 분류란? 입력에서 특징 추출, 분류까지

왜 이미지 분류란? 입력에서 특징 추출, 분류까지이(가) 필요한가? 실무에서 이 개념 없이는 문제를 해결할 수 없습니다. 핵심 동기와 배경을 먼저 이해합시다.

</div>

이미지 분류란?

이미지 분류(Image Classification)는 컴퓨터 비전의 가장 기본적인 문제예요. 하나의 이미지가 주어졌을 때, 그것이 어떤 카테고리에 속하는지 판별하는 것이죠.

이미지 분류의 3단계:

1. 입력(Input): 이미지를 숫자 행렬(텐서)로 변환 — RGB 3채널, 각 픽셀 0~255

2. 특징 추출(Feature Extraction): 이미지에서 의미 있는 패턴을 자동으로 찾아냄

3. 분류(Classification): 추출된 특징을 바탕으로 "이것은 고양이다" 같은 결정을 내림

전통 방식 vs CNN:

- 전통 방식: 사람이 직접 특징을 설계 (SIFT, HOG 등) → 한계가 명확

- CNN 방식: 데이터에서 특징을 자동으로 학습 → 2012년 이후 압도적 성능

ImageNet의 역사적 의미:

ImageNet은 1,400만 장, 2만 개 카테고리의 거대한 이미지 데이터베이스예요.

- 2010: 전통 방식 — 오류율 28%

- 2012 (AlexNet): CNN 최초 우승 — 오류율 16% (12%p 격차!)

- 2015 (ResNet): 오류율 3.57% — 인간(5.1%)을 처음으로 넘어섬

AlexNet의 2012년 우승은 딥러닝 혁명의 시작점이에요. 이때부터 "특징은 설계하는 게 아니라 학습하는 것"이라는 패러다임이 자리잡았어요.

왜 CNN인가?

이미지는 공간적 구조를 가지고 있어요. 인접한 픽셀들이 함께 의미를 형성하죠.

- FC(완전연결)만 쓰면? 공간 구조를 무시 + 파라미터 폭발

- CNN은 지역적 연결(local connectivity)과 파라미터 공유(weight sharing)로 효율적으로 공간 패턴을 잡아냄

왜 중요한가? CNN의 합성곱 레이어는 수작업 특징 설계(SIFT, HOG 등)를 자동으로 대체합니다. 초기 레이어는 엣지와 색상 같은 저수준 특징을, 깊은 레이어는 눈, 바퀴, 글자 같은 고수준 특징을 자동으로 학습합니다. 이 계층적 특징 학습이 CNN의 핵심 강점이며, 사람이 정의할 수 없는 복잡한 패턴까지 데이터에서 직접 발견합니다. 깊이가 증가할수록 더 추상적인 특징을 학습할 수 있어, 네트워크 깊이가 성능과 직결됩니다.

0:00

1:19

🎓 강의 스크립트

CNN 이미지 분류기가 뭔지 알아봅시다.

사진 한 장을 넣으면 클래스를 예측해요.

예를 들어 고양이, 강아지, 자동차를 구분해요.

그림 위쪽을 보세요.

입력 이미지가 왼쪽에 있어요.

이 이미지가 여러 단계를 거쳐 분류돼요.

먼저 특징 추출 단계가 있어요.

Conv 레이어가 엣지와 패턴을 자동으로 찾아요.

사람이 특징을 설계할 필요가 없어요.

가운데 부분을 보면 풀링이 나와요.

풀링은 크기를 줄이면서 핵심만 남겨요.

그 다음이 분류 단계예요.

FC 레이어가 최종 판단을 내려요.

Softmax가 확률로 변환해줘요.

오른쪽 출력을 보세요.

고양이 92%, 강아지 5% 이런 식이에요.

왜 씨엔엔이 이미지 분류에 강할까요?

공간 구조를 자연스럽게 활용하기 때문이에요.

픽셀 간의 관계를 파악하는 거예요.

2012년 알렉스넷이 이미지넷 대회에서 우승했어요.

그때부터 씨엔엔이 비전의 표준이 됐어요.

지금도 의료 영상, 자율주행에 핵심이에요.

먼저 전체 구조를 잡고 세부로 들어갑시다.

💬 강의 Q&A

0:00

0:35

🎓 강의 스크립트

선생님: 자, 씨엔엔에서 Conv 레이어의 역할이 뭔가요?

학생: Conv 레이어는 이미지에서 특징을 자동으로 추출해요. 엣지, 텍스처, 패턴 같은 걸 필터로 감지하는 거예요.

선생님: 맞아요! 그럼 왜 사람이 직접 특징을 설계하는 것보다 나은 건가요?

학생: 사람이 놓칠 수 있는 패턴까지 데이터에서 자동으로 학습하니까요. 수백만 장의 이미지에서 최적의 필터를 찾아내는 거예요.

선생님: 정확해요! 이게 딥러닝 혁명의 핵심이에요.