통계 실험실 차트
넘스탯 로고
넘스탯
LEARN · SIMULATE · VERIFY

확률부터 LLM까지 — 데이터 사이언스 자기주도 학습 플랫폼

로그인
학습 메뉴
도움말
홈

합성곱층 (Convolution Layer)

마일스톤 학습법으로 단계별 완전 정복
딥러닝
CNN
합성곱
필터
특징 추출
이 학습을 통해 달성할 수 있는 목표
기초 이해
  • • 합성곱층의 동작(필터 훑기)을 이해할 수 있다
  • • 가중치 공유와 이동 불변성을 설명할 수 있다
  • • 특징 맵의 의미를 이해할 수 있다
심화 학습
  • • 출력 크기 공식을 적용할 수 있다
  • • 스트라이드·패딩·채널의 역할을 이해할 수 있다
  • • 필터 개수와 출력 채널의 관계를 설명할 수 있다
실무 적용
  • • 1×1·팽창·분리 합성곱 등 확장을 이해할 수 있다
  • • 합성곱을 가중치 공유 선형 연산으로 해석할 수 있다
  • • 실무 영상 과제에 합성곱을 적용할 수 있다
한눈에 보기

합성곱층은 작은 필터(커널)를 입력 위로 훑으며 국소 영역과의 가중합을 계산해 특징 맵을 만드는 층으로, CNN의 핵심 연산이다.

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해
개념 정의와 기본 원리
약 12분
클릭
심화 학습
공식 유도와 다양한 예시
약 20분
클릭
실무 적용
실제 케이스와 고급 응용
약 28분

학습 진도 (완료한 단계)

0%

합성곱층이란 무엇인가?

난이도 3/5
약 12분

합성곱층은 작은 필터를 이미지 위로 조금씩 옮기며, 겹친 부분과 곱해 더한 값을 모아 특징 맵을 만드는 층입니다. 이미지의 국소적인 패턴(에지·모서리 등)을 잡아냅니다.

합성곱층 — 필터로 국소 가중합필터가 입력을 한 칸씩 훑으며 겹친 영역과 곱해 더한 값 → 특징 맵입력 (필터 위치 강조)필터(커널)⊙ (원소곱→합)특징 맵※ 가중치 공유로 파라미터↓ · 위치가 조금 달라도 같은 특징을 잡는 이동 불변성
핵심 포인트
  • •작은 필터(커널)를 입력 위로 훑으며 국소 가중합 계산
  • •가중치 공유로 파라미터↓, 이동 불변성 확보
  • •여러 필터로 다양한 특징을 동시에 추출
  • •결과는 특징 맵(feature map)
간단한 예시

3×3 필터가 6×6 이미지를 훑으면(스트라이드 1, 패딩 없음) 4×4 특징 맵이 나옵니다. 필터가 "세로 에지"를 찾도록 학습되면, 세로선이 있는 위치에서 큰 값이 나옵니다.

이해도 확인하기

정답: 같은 필터를 이미지 전체 위치에 재사용(가중치 공유)하기 때문입니다. 위치마다 별도의 가중치를 두지 않아 파라미터가 크게 줄어듭니다.

정답: 같은 특징(예: 고양이 귀)이 이미지에서 위치를 옮겨도 같은 필터가 잡아낸다는 성질입니다. 필터가 전체를 훑기 때문에 위치가 달라도 검출됩니다.

딥러닝 이론 페이지로 돌아가기