# 210811 피어세션

# 학습정리 및 토의

## 4. CNN 기초

### Convolution

- Stride
- 커널을 얼마나 dense를 찍을지 정해줌
- Padding
- 입력이미지의 가장자리에 빈 정보를 추가하여 정보를 유지
- 패딩값 만큼 테두리가 추가된다.

- Parameters 계산


- 필터크기 * 입력채널크기 * 출력채널크기

## 5. Modern CNN

### AlexNet

- 초기 이미지 분류 CNN
- 입력 Conv가 11*11이였는데 파라미터가 늘어나서 좋은 선택은 아님

### VGGNet

- 11x11 conv에서 3x3 conv를 사용
- 
- 3x3 conv layer를 두개 통과한 출력은 5x5 conv layer 하나를 출력한 것과 같은 receptive field를 가집니다.
- layer라고 되어있는데 실제는 입력과 출력입니다. -> conv 연산이 2번있는 그림입니다.

### GoogLeNet

- Inception block
- Conv 전에 1x1 Conv를 적용
- 적용함으로써 파라미터 갯수를 줄임

### ResNet

- 네트워크가 길어짐에 따라 학습이 어려워짐
- identity map을 추가함 => 학습하고자 하는건 학습능력과 테스트능력의 차이를 줄이는 방향

### DenseNet

- ResNet 방식은 성능이 떨어지는걸 보안
- Feature map을 키우고 사용하는 방식

## 6. CV App

### Semantic Segmentation

- Fully connected layer가 하던일을 Convolution이 하도록 함

- Deconvolution: Conv와 역방향 => 크기를 오히려 키우는 방식

### Detection
> 바운딩 박스로 개체를 분류

- R-CNN - 이미지 안에서 무작위로 2000개 영역 추출후 분류
- SPPNet - R-CNN과 유사하지만 CNN을 한번만 돌림
- Fast R-CNN -

### YOLO

- faster R-CNN 에서 Region Proposal Network를 뺌 -> 속도가 더빠름

---

# 질문 토론

### 왜 이 층은 곱셈이 아니라 덧셈인가요? (윤종원님)

- 해당 파라미터는 W(가중치)라고 생각하시면 됩니다.
- 즉 첫번째층의 가중치의 갯수와 두번째층의 가중치의 갯수를 더해야 하기 때문에 덧셈입니다.

## Convolution에서 2x2 커널이 안쓰이는 이유가 궁금합니다. (부캠 질문)

- 대칭에 대한 문제인데, 짝수일경우 대칭적으로 뽑을 수 없다.
- 패딩을 추가한다면 짝수 커널일경우 패딩을 2개의 변에만 추가해야한다.
- 예를들어 3x3에 2x2 conv를 써서 3x3을 출력할 수 없다.

## 잔차의 의미? ResNet에 대한 의문

- https://arxiv.org/pdf/1512.03385.pdf

---

# 추가 내용

- Unet 아키텍쳐에 대한 내용
- 줌 미러링 때문에 이미지를 변환할 필요는 없다