← Playground← 놀이터

PRISM · Machine Learning PlaygroundPRISM · 머신러닝 놀이터

Convolution & Receptive Fields합성곱과 수용 영역
One little filter, slid everywhere — and a window that grows with depth작은 필터 하나를 사방에 미끄러뜨리고, 깊이와 함께 커지는 창

A convolution slides one small kernel across the whole image, computing a weighted sum at every position. Because the same weights are reused everywhere (weight sharing), the layer detects a feature — an edge, a blob — wherever it appears, with very few parameters. Stack layers and each unit's receptive field grows, so deep units see whole objects. Pick a kernel and watch the feature map form.합성곱은 하나의 작은 커널을 이미지 전체에 미끄러뜨리며 모든 위치에서 가중합을 계산한다. 같은 가중치를 어디서나 재사용하므로(가중치 공유), 이 층은 아주 적은 매개변수로 특징 — 에지, 덩어리 — 을 위치에 상관없이 검출한다. 층을 쌓으면 각 유닛의 수용 영역이 커져 깊은 유닛은 사물 전체를 본다. 커널을 고르고 특징 맵이 형성되는 것을 보라.

Input  ·  kernel  ·  feature map입력  ·  커널  ·  특징 맵
sliding 3×3 window움직이는 3×3 창 output pixel출력 픽셀
Receptive field grows with depth깊이에 따라 커지는 수용 영역
Controls제어판

Kernel커널

Stacked layers쌓은 층 수 receptive field = 2L+1수용 영역 = 2L+14

Input pattern입력 패턴

The window slides; each output pixel is one weighted sum of the patch under it.창이 미끄러지고, 각 출력 픽셀은 그 아래 패치의 가중합 하나입니다.
Kernel weights (3×3)커널 가중치 (3×3)
Things to try해볼 것들
  1. Edge detectors: Edge ↔ lights up vertical edges, Edge ↕ horizontal ones — the same filter fires wherever that edge appears.에지 검출기: 에지 ↔는 수직 에지를, 에지 ↕는 수평 에지를 밝힌다 — 같은 필터가 그 에지가 있는 곳마다 반응한다.
  2. Weight sharing: this whole map uses just 9 numbers. That parameter efficiency is why CNNs scale to images.가중치 공유: 이 전체 맵은 단 9개의 숫자만 쓴다. 그 매개변수 효율성이 CNN이 이미지로 확장되는 이유다.
  3. Depth = context: raise Stacked layers — the receptive field grows, so a deep unit combines many edges into a shape.깊이 = 맥락: 쌓은 층 수를 올리면 수용 영역이 커져, 깊은 유닛이 여러 에지를 하나의 도형으로 합친다.
  4. Stripes: switch the input to Stripes and compare edge kernels — orientation selectivity, just like early visual cortex.줄무늬: 입력을 줄무늬로 바꿔 에지 커널을 비교하라 — 방향 선택성, 초기 시각 피질과 똑같다.

Slide, don't reconnect재연결이 아니라 미끄러뜨리기

A dense layer would learn a separate weight for every pixel pair. A convolution reuses one small kernel at every location, so it needs far fewer parameters and is translation-equivariant — a feature detected in one corner is detected in all of them.밀집 층은 모든 픽셀 쌍마다 별도의 가중치를 배운다. 합성곱은 하나의 작은 커널을 모든 위치에서 재사용하므로 훨씬 적은 매개변수로 충분하고 이동 등변이다 — 한 구석에서 검출된 특징은 모든 구석에서 검출된다.

Receptive fields수용 영역

One 3×3 layer sees a 3×3 patch. Stack L of them and a unit sees a (2L+1)×(2L+1) region of the input. Depth turns local edge detectors into detectors of textures, parts, and finally whole objects.3×3 층 하나는 3×3 패치를 본다. L개를 쌓으면 한 유닛이 입력의 (2L+1)×(2L+1) 영역을 본다. 깊이는 국소 에지 검출기를 질감·부분, 마침내 사물 전체의 검출기로 바꾼다.

Where it's used쓰이는 곳

Convolutions are the backbone of medical-image models — tumor segmentation on MRI/CT, cell detection in pathology, lesion classification — precisely because a diagnostic feature can appear anywhere in the scan and weight sharing finds it everywhere.합성곱은 의료 영상 모델의 근간이다 — MRI/CT 종양 분할, 병리 세포 검출, 병변 분류 — 진단 특징이 스캔의 어디에나 나타날 수 있고 가중치 공유가 그것을 어디서나 찾아내기 때문이다.