PyTorch 기반 심층 신경망(DNN/CNN) 이미지 분류 실전
강좌 소개
컴퓨터 비전 딥러닝의 기초이자 핵심인 CNN(Convolutional Neural Network)의 원리를 심층 분석하고 실전에 적용하는 과정입니다.
합성곱(Convolution), 풀링(Pooling), 패딩의 공간 필터링 원리를 이해하고, 밑바닥부터 CNN을 구축해 봅니다. 나아가 대규모 ImageNet 데이터셋으로 사전 학습된 최신 ResNet, EfficientNet 모델을 가져와 내 도메인 데이터에 맞게 전이학습(Transfer Learning)시키는 산업 현장 기술을 습득합니다.
이 강좌에서 배우는 것들
- CNN의 공간 불변성 및 특징 맵(Feature Map) 추출 원리 이해
- 데이터 증강(Data Augmentation)을 통한 일반화 성능 극대화
- 사전 학습된 모델(ResNet, ConvNeXt) 기반 전이학습 및 파인튜닝
- 혼동 행렬(Confusion Matrix)과 Grad-CAM을 통한 모델 판단 근거 시각화
교육 과정 (Curriculum)
Section 1: CNN 핵심 원리와 레이어 설계
- 전결합 신경망의 한계와 CNN의 공간 정보 보존 원리
- 합성곱 연산(Conv2d), 커널, 스트라이드, 패딩의 역할
- 최대 풀링(MaxPool)과 채널 수 변화에 따른 특징 압축
Section 2: 데이터 증강과 현대적 CNN 아키텍처
- torchvision.transforms를 활용한 실시간 데이터 증강 기법
- VGGNet, ResNet의 잔차 연결(Residual Connection) 구조 분석
- 학습 조기 종료(EarlyStopping) 및 학습률 스케줄러(Scheduler) 적용
Section 3: 전이학습과 실전 프로젝트
- 사전 학습된 ResNet50 모델 로드 및 분류 헤드(Classifier) 교체
- 특징 추출기(Feature Extractor) 고정 vs 전체 미세조정(Fine-Tuning)
- 반려동물 품종 분류기 프로젝트 및 Grad-CAM 시각화 해석
필수 조건
- PyTorch 기본 텐서 연산 및 nn.Module 작성 경험
수강 대상
- 이미지 데이터를 다루는 컴퓨터 비전 엔지니어를 꿈꾸는 학습자
- 적은 양의 사진 데이터로 고정밀 분류 모델을 만들고 싶은 실무자
- CNN 아키텍처의 변천사와 전이학습을 마스터하고 싶은 개발자