CNN을 구성하는 각 레이어의 역할

딥러닝에서 이미지 데이터를 다룰 때 가장 많이 사용되는 모델이 바로 CNN(Convolutional Neural Network, 합성곱 신경망) 입니다.

CNN은 사람의 시각 처리 방식에서 영감을 받아 만들어졌으며, 이미지의 공간적 특징(Spatial Feature)을 효과적으로 추출하는 데 강점을 가지고 있습니다.

이번 글에서는 CNN을 구성하는 주요 레이어들의 역할을 하나씩 정리해보겠습니다.

---

🧠 CNN의 전체 구조 한눈에 보기

일반적인 CNN의 구조는 다음과 같습니다.

입력 이미지
   ↓
합성곱(Convolution) 레이어
   ↓
활성화 함수 (ReLU)
   ↓
풀링(Pooling) 레이어
   ↓
(위 과정 반복)
   ↓
완전연결층(Fully Connected Layer)
   ↓
출력층(Output Layer)

 

---

Convolution Layer (합성곱 레이어)

역할: 특징 추출 (Feature Extraction)

CNN의 핵심 레이어입니다.
작은 필터(커널, Kernel)를 이용해 이미지 위를 슬라이딩하면서 특징을 추출합니다.

✔ 어떻게 작동할까?

• 필터가 이미지의 일부 영역과 곱셈 연산 수행
• 그 결과를 하나의 값으로 출력
• 이 과정을 반복하여 Feature Map(특징 맵) 생성

✔ 무엇을 배우는가?

• 낮은 층: 엣지(Edge), 선(Line), 색상
• 중간 층: 패턴, 질감
• 깊은 층: 얼굴, 물체 등 고차원 특징

---

Activation Function (활성화 함수)

역할: 비선형성 추가

대표적으로 ReLU (Rectified Linear Unit) 를 사용합니다.

ReLU(x) = max(0, x)

✔ 왜 필요할까?

• 선형 연산만 반복하면 결국 하나의 선형 모델과 같아짐
• 비선형성을 추가해야 복잡한 패턴 학습 가능

✔ 효과

• 계산이 빠름
• 기울기 소실 문제 완화

 

---

Pooling Layer (풀링 레이어)

역할: 크기 축소 + 중요한 정보 유지

Feature Map의 크기를 줄이는 역할을 합니다.

✔ 대표적인 방법

• Max Pooling
• Average Pooling

✔ 왜 사용하는가?

• 연산량 감소
• 과적합 방지
• 위치 변화에 강한 특징 학습

 

---

Fully Connected Layer (완전 연결층)

역할: 최종 분류 수행

Convolution과 Pooling을 거친 Feature Map을

1. 1차원 벡터로 펼친 뒤 (Flatten)
2. 일반적인 신경망(Dense Layer)에 입력

✔ 기능

• 추출된 특징을 기반으로
• 최종 클래스 분류

✔ 예시

• 고양이 vs 강아지
• 정상 vs 폐렴
• 숫자 0~9 분류

 

---

Output Layer (출력층)

역할: 최종 확률 출력

보통 다음을 사용합니다:

• Softmax → 다중 분류
• Sigmoid → 이진 분류

✔ Softmax 예시

[고양이: 0.1, 강아지: 0.8, 토끼: 0.1]

 

가장 높은 확률의 클래스를 선택합니다.

 

---

CNN 레이어들의 역할 정리

레이어	역할	목적
Convolution	특징 추출	이미지 패턴 학습
Activation (ReLU)	비선형성 추가	복잡한 패턴 학습
Pooling	크기 축소	연산량 감소, 과적합 방지
Fully Connected	분류 수행	특징 기반 판단
Output	확률 출력	최종 예측

 

---

CNN이 강력한 이유

1. 자동 특징 추출 (Feature Engineering 불필요)
2. 공간 정보 유지
3. 이미지에 특화된 구조
4. 파라미터 공유로 효율적인 학습

 

---

정리

CNN은 단순히 여러 층을 쌓은 신경망이 아닙니다.

• 합성곱을 통해 특징을 추출하고
• 풀링을 통해 정보를 압축하며
• 완전 연결층을 통해 판단을 내리는

"특징 추출기 + 분류기" 구조의 모델입니다.

이미지 분류, 객체 탐지, 의료 영상 분석, 자율주행 등
현대 컴퓨터 비전의 핵심 기술은 대부분 CNN을 기반으로 하고 있습니다.