합성곱 신경망 : Convolutional Neural Network (CNN)

(1) 완전 연결 신경망(FC / MLP)의 공간 정보 파괴와 '차원의 저주' 극복

기존의 다층 퍼셉트론(MLP)은 2차원 이미지 데이터를 1차원 평탄화(Flatten) 벡터로 직렬화하여 입력으로 처리했습니다. 이로 인해 이미지 내 인접 픽셀 간의 중요한 기하학적·공간적 상관관계(Spatial Correlation & Topology)가 완전히 파괴되었으며, 이미지 해상도가 조금만 커져도 연결 가중치 수가 기하급수적으로 폭발하여 과적합(Overfitting)과 감당할 수 없는 연산 비용이 발생했습니다. CNN은 2차원/3차원 텐서 형태 그대로 공간적 국소 구조를 보존하면서 특징을 추출함으로써 이 근본적인 병목을 완벽히 해결했습니다.

(2) 생물학적 시각 피질에서 딥러닝 르네상스(Deep Learning Renaissance)로의 계승

휴벨과 비셀(Hubel & Wiesel)의 시각 피질 수용장 발견 → 후쿠시마(Fukushima)의 네오코그니트론(1980) → 얀 르쿤(Yann LeCun)의 LeNet-5(1998, 은행 수표 필기체 인식)로 이어진 계보를 완성하였습니다. 특히 2012년 AlexNet의 등장은 기호주의와 전통 통계학 머신러닝의 시대를 종식시키고 전 세계를 딥러닝 인공지능의 시대로 이끈 역사적 전환점이 되었습니다.

(3) 평행이동 불변성(Translation Invariance)과 파라미터 공유

사물이 이미지의 좌측 상단에 있든, 우측 하단에 있든 상관없이 동일한 커널 필터를 공유(Weight Sharing)함으로써 동일한 특징을 일관되게 감지해 낼 수 있는 평행이동 동변성(Equivariance) 및 불변성을 내재적으로 확보하였습니다.

(1) 합성곱 층 (Convolutional Layer)과 필터/커널 연산

$K \times K$ 크기의 학습 가능한 작은 가중치 텐서(필터/커널)가 입력 이미지 위를 일정 보폭(Stride)으로 순회하며 요소별 곱합(Element-wise Dot Product)을 계산하여 특징 맵(Feature Map)을 형성합니다:

하위 층에서는 점, 선분, 모서리 등 미세한 기하학적 원시 특징을 검출하고, 심층으로 갈수록 텍스처, 사물의 부품(눈, 코, 바퀴 등), 전체 물체 형상으로 계층적 추상화(Hierarchical Abstraction)가 일어납니다.

(2) 비선형 활성화 함수 (ReLU, Rectified Linear Unit)

합성곱 선형 연산 직후 $f(x) = \max(0, x)$를 통과시켜 신경망에 비선형 표현 능력을 부여하며, 기존 시그모이드(Sigmoid)의 고질적 난제였던 역전파 시의 기울기 소실(Vanishing Gradient) 문제를 완벽히 방지하여 수십~수백 층의 깊은 망도 안정적으로 학습시킵니다.

(3) 풀링 층 (Pooling Layer / Subsampling)

최대 풀링(Max Pooling)이나 평균 풀링(Average Pooling)을 통해 특징 맵의 가로·세로 해상도를 절반 등으로 다운샘플링합니다:

이를 통해 미세한 위치 이동, 크기 변화, 노이즈에 대한 강건성(Robustness)을 확보하고, 후속 계층의 연산량을 대폭 경감시킵니다.

(4) 완전 연결 층 (Fully Connected Layer)과 소프트맥스 (Softmax)

최종 계층에서 2D/3D 특징 맵을 1차원 벡터로 결합(Flatten)하여, 소프트맥스 함수를 통해 각 클래스에 속할 최종 사후 확률($P(Y=k|X)$)을 산출하여 최종 분류 판단을 내립니다.

(1) 자율주행차 및 지능형 객체 검출 (Object Detection & Tracking)

YOLO, Faster R-CNN, SSD 등의 비전 모델을 통해 전방 카메라 영상에서 보행자, 주변 차량, 차선, 교통 표지판, 신호등을 실시간으로 감지하고 추적하여 안전 주행 경로를 결정합니다.

(2) 의료 영상 인공지능 (Medical Imaging AI & Segmentation)

U-Net, 3D-CNN 등을 활용하여 흉부 X-ray 폐렴 진단, 뇌 MRI 종양 부위 자동 분할, 안저 영상 당뇨망막병증 판독 등 전문의 수준의 정밀한 병변 탐지 보조 시스템으로 활용됩니다.

(3) 스마트폰 안면 인식 및 생체 보안 (Facial Recognition)

Face ID, 공항 출입국 심사대, 지문/홍채 인식에서 개인별 고유 안면 특징 임베딩 벡터를 추출하여 조명이나 각도 변화에도 정확하게 본인 여부를 식별합니다.

(4) 음성인식(Speech Recognition) 및 신호 처리

연속된 음성 신호를 2차원 시간-주파수 스펙트로그램(Spectrogram) 이미지로 변환한 후, CNN으로 음향 특징을 추출하여 시리와 빅스비 등의 고성능 음성 인식기에 적용됩니다.