풀링층 (Pooling Layer)

마일스톤 학습법으로 단계별 완전 정복

딥러닝

CNN

풀링

다운샘플링

이 학습을 통해 달성할 수 있는 목표

기초 이해

• 풀링층의 동작과 목적을 이해할 수 있다
• 최대·평균 풀링을 구분할 수 있다
• 풀링이 크기를 줄이는 방식을 설명할 수 있다

심화 학습

• 풀링 출력 크기를 계산할 수 있다
• 풀링의 장단점(불변성 vs 위치 손실)을 이해할 수 있다
• GAP·스트라이드 합성곱 대안을 설명할 수 있다

실무 적용

• 과제(분류 vs 분할)에 따라 풀링 전략을 선택할 수 있다
• 해상도 회복(U-Net) 개념을 이해할 수 있다
• 최신 아키텍처의 다운샘플링 경향을 설명할 수 있다

한눈에 보기

풀링층은 특징 맵의 작은 영역을 하나의 값으로 요약해 공간 크기를 줄이는 층으로, 최대 풀링과 평균 풀링이 대표적이다.

2×2 최대 풀링은 각 창에서 최댓값만 남겨 특징 맵을 절반 크기로 줄인다 — 계산량과 과적합을 낮춘다.
작은 위치 변화에 강인해지고(로컬 이동 불변성), 학습 파라미터가 없다.
최근에는 스트라이드 합성곱으로 대체하거나 전역 평균 풀링(GAP)으로 분류층 앞에서 크게 요약하기도 한다.

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)

먼저 알아두면 좋은 개념들

합성곱층 →

풀링은 합성곱이 만든 특징 맵을 요약하므로 합성곱을 먼저 알아야 합니다

풀링층이란 무엇인가?

난이도 3/5

약 12분

풀링층은 특징 맵을 작은 구역으로 나눠 각 구역을 대표값(최댓값 등) 하나로 줄이는 층입니다. 정보를 압축해 크기를 줄이고 중요한 특징만 남깁니다.

큰 사진을 썸네일로 줄이는 것과 비슷합니다. 2×2 픽셀을 하나로 합칠 때 "가장 두드러진 값"(최대 풀링)을 대표로 남기면, 크기는 4분의 1로 줄지만 핵심 특징(가장 강한 반응)은 보존됩니다.

핵심 포인트

•작은 영역을 대표값 하나로 요약 (최대·평균)
•공간 크기 축소 → 계산량·과적합↓
•작은 위치 변화에 강인, 학습 파라미터 없음
•보통 합성곱층 뒤에 배치

간단한 예시

4×4 특징 맵에 2×2 최대 풀링(스트라이드 2)을 적용하면 2×2로 줄고, 각 2×2 창에서 최댓값만 남습니다.

이해도 확인하기

정답: 최대 풀링은 각 창의 최댓값(가장 강한 반응)을, 평균 풀링은 평균값을 남깁니다. 최대 풀링이 두드러진 특징 보존에 더 흔히 쓰입니다.

정답: 없습니다. 풀링은 고정된 요약 연산(최대·평균)이라 학습 파라미터가 없습니다.

딥러닝 이론 페이지로 돌아가기

LEARN · SIMULATE · VERIFY

풀링층 (Pooling Layer)

마일스톤 학습법으로 단계별 완전 정복

이 학습을 통해 달성할 수 있는 목표

기초 이해

심화 학습

실무 적용

한눈에 보기

학습 로드맵

기초 이해

심화 학습

실무 적용

먼저 알아두면 좋은 개념들

합성곱층 →

풀링층이란 무엇인가?

핵심 포인트

간단한 예시

이해도 확인하기

Q1: 최대 풀링과 평균 풀링의 차이는?

Q2: 풀링층에 학습되는 파라미터가 있나요?