AI › 인공지능 개요 › 딥러닝 › 모델 구조

합성곱 신경망Convolutional Neural Network

작은 필터의 같은 가중치를 이미지의 모든 위치에 밀어 가며 곱해 특징 맵을 만들고, 이 계층을 여러 겹 쌓아 가장자리에서 부분 · 물체로 올라가는 특징을 학습하는 신경망이다.

1요약

  1. 합성곱 신경망은 딥러닝 가운데 합성곱 계층이 이웃 픽셀 몇 개만 묶어 계산하는 구조로 LeNet-5(LeCun 1998)에서 틀이 잡혔고, 그 위에서 이미지 분류 · 물체 검출 · 영역 분할 모델이 돈다.
  2. 224×224×3 이미지를 같은 크기의 64채널 맵으로 바꾸는 완전 연결 계층은 가중치가 약 4.8 × 10¹¹ 개지만, 3×3 필터 64개의 합성곱 계층은 1,792개로 같은 모양의 출력을 낸다(PyTorch Conv2d 가중치 모양으로 계산).
  3. 「작은 물체를 놓친다」와 「조금 옮기면 답이 바뀐다」는 누적 보폭으로 가른다 — 마지막 특징 맵 셀 하나가 물체보다 크면 다운샘플 과다, 1픽셀 이동에 풀링 출력이 바뀌면 보폭 · 풀링의 위치 민감성이다.

2등장 배경

완전 연결 신경망에 32×32 손글씨 숫자를 넣으면 은닉 단위 100개만 둬도 가중치가 102,400개이고, 숫자가 한 픽셀 옮겨 가면 완전히 다른 입력이 된다. 1962년 Hubel · Wiesel 은 고양이 시각 피질의 세포가 망막의 좁은 영역에만 반응함을 보고했고(Hubel 1962), 1980년 Fukushima 의 네오코그니트론이 이 구조를 위치 이동에 강한 패턴 인식 모델로 옮겼다(Fukushima 1980).

1989년 LeCun 외는 같은 구조를 역전파로 학습해 우편번호 손글씨를 읽었고(LeCun 1989), 1998년 LeNet-5 로 합성곱 · 서브샘플링 · 완전 연결을 번갈아 쌓은 7계층 틀을 정리했다(LeCun 1998 그림 2). 2012년 AlexNet 이 이 틀을 224×224 컬러 이미지와 6천만 파라미터로 키웠고(Krizhevsky 2012), VGG(2014)는 3×3 필터만으로 16 ~ 19계층, ResNet(2015)은 잔차 연결로 그보다 깊은 망을 학습했다.

지금은 출력 모양에 따라 쓰임이 갈린다 — 이미지 전체에 레이블 하나(분류), 물체마다 상자와 레이블(검출 · R-CNN 은 VOC 2012 mAP 53.3% · Girshick 2014), 픽셀마다 레이블(분할 · FCN 은 완전 연결 계층을 합성곱으로 바꿔 임의 크기 입력에 같은 크기의 출력을 냄 · Long 2015). 2020년 비전 트랜스포머가 대안으로 나왔지만 학습 이미지가 수백만 장에 못 미치는 과제에서는 합성곱 신경망이 먼저 검토된다(Dosovitskiy 2020 1절).

3쉽게 이해하기 — 무늬판 검사원

검사실 벽에 6×6 칸 모자이크 사진이 걸려 있다. 검사원은 3×3 무늬판 한 장을 들고 사진 왼쪽 위부터 한 칸씩 밀며, 무늬와 사진이 겹치는 만큼 점수를 점수판에 적는다. 요약원은 점수판에서 2×2 묶음마다 가장 높은 점수만 옮기고, 위층 검사원은 그 요약판 위에서 다른 무늬판을 민다 — 요약판 점수 하나는 사진의 더 넓은 곳을 대신한다. 마지막에 심사위원이 요약판을 모아 「숫자 7」이라고 판정한다.

1 모자이크 사진 6×6 칸 입력 이미지 2 무늬판 밀기 3×3 · 한 칸씩 필터 · 합성곱 3 점수판 자리마다 점수 특징 맵 4 요약원 2×2 중 최고점 풀링 5 위층 검사원 다른 무늬판 깊은 계층 6 심사위원 「숫자 7」 출력 계층 무늬판 한 장으로 사진 전체 자리가 바뀌어도 같은 판을 다시 쓴다 가중치 공유 요약판 점수 하나 = 사진의 더 넓은 곳 위층으로 갈수록 보는 넓이가 커진다 수용 영역 데이터 모델 · 연산 특징 표현 출력 카드가 설명하는 단계

그림 1 · 무늬판 한 장이 사진 전체를 훑어 점수판을 만들고, 요약과 위층 검사를 거칠수록 점수 하나가 대신하는 사진 넓이가 커져 심사위원이 판정한다.

사진 걸기6×6 칸 모자이크
무늬판 밀기한 칸씩 옮기며 대 보기
점수 적기겹친 만큼 점수
요약하기2×2 에서 최고점만
위층 검사요약판 위에 다른 판
판정「숫자 7」
비유 — 무늬판을 몇 장 만드나 실제 — 6×6 → 4×4 의 가중치 수 한 장을 자리마다 다시 씀 판 1장 점수판 칸 16개 모두 같은 판 점수판 칸 16개 숫자 10개 판 칸 9개 + 기준점 1 점수마다 사진 크기의 판을 따로 6×6 판 16장 겹침 점수 하나에 판 하나 점수판 칸 16개 숫자 592개 칸 36개 × 16장 + 16 합성곱 계층 3 × 3 × 1 × 1 + 1 10 완전 연결 계층 36 × 16 + 16 592 가중치 공유 = 약 59분의 1 막대 길이 = 가중치 수(같은 눈금)

그림 2 · 점수 16개를 채우는 데 무늬판 한 장을 다시 쓰면 숫자 10개면 되고, 점수마다 사진 크기의 판을 따로 만들면 592개가 든다.

비유 속 역할실제 이름실제로 하는 일
모자이크 사진입력 이미지픽셀마다 밝기 · 색 채널 값을 담은 배열
무늬판필터(커널)3×3 같은 작은 가중치 묶음 · 값은 학습이 정한다
한 장을 다시 씀가중치 공유모든 위치에 같은 가중치를 써서 파라미터 수가 이미지 크기와 무관해진다
점수판특징 맵위치마다 필터와 입력의 곱의 합
요약원풀링2×2 의 최댓값만 남겨 해상도를 절반으로
위층 검사원깊은 합성곱 계층앞 특징을 조합해 획 · 부분 모양을 찾는다
점수 하나가 대신하는 넓이수용 영역출력 값 하나에 영향을 주는 입력 범위
심사위원완전 연결 · 출력 계층특징을 모아 클래스마다 점수를 낸다

⚠ 비유가 맞지 않는 곳: 실제 무늬판 값은 사람이 고르지 않고 학습이 정하며, 한 계층에 판이 수십 ~ 수백 장(VGG 64 ~ 512개)이고 점수는 입력 채널 전체를 함께 곱해 더한 값이다.

4구조 — 합성곱 · 풀링 · 완전 연결의 반복

한 합성곱 계층은 k × k × C_in 크기 필터 C_out 개와 편향 C_out 개를 가지므로 파라미터 수는 (k² · C_in + 1) · C_out 이고(PyTorch Conv2d 가중치 모양), 출력 크기는 ⌊(i + 2p − k) / s⌋ + 1 이다(Dumoulin 2016 관계 6). 두 식 모두 입력 크기 i 와 파라미터 수가 서로 묶여 있지 않다는 점이 완전 연결 계층과의 차이다.

입력 32×32×1 C1 28×28×6 S2 14×14×6 C3 10×10×16 S4 5×5×16 C5 · F6 120 · 84 출력 10 합성곱 5×5 필터 6개 풀링 2×2 보폭 2 합성곱 5×5 필터 16개 풀링 2×2 보폭 2 C5 · F6 400→120→84 완전 연결 84 → 10 가장자리 · 획 조각 획 조합 · 부분 모양 숫자 전체 · 클래스 점수 깊어질수록 한 값이 보는 입력 범위가 넓어지고 특징이 추상화된다 입력 데이터 특징 맵(표현) 가중치 있는 연산 가중치 없는 연산 출력

그림 3 · LeNet-5 는 합성곱과 풀링을 두 번 번갈아 공간 크기를 32 → 5 로 줄이고 채널을 1 → 16 으로 늘린 뒤, 완전 연결로 숫자 10개의 점수를 낸다.

요소크기(LeNet-5)역할파라미터 수 · 근거
입력 이미지32×32×1픽셀 밝기 배열0
합성곱 계층5×5 필터 6개이웃 픽셀의 지역 패턴 검출 · 모든 위치에 같은 필터C1 = (25 · 1 + 1) · 6 = 156(원문 식 직접 계산)
특징 맵28×28×6위치마다 필터 응답0 · 32 − 5 + 1 = 28(Dumoulin 2016 관계 6)
활성 함수원소마다비선형(AlexNet 부터 ReLU)0(Krizhevsky 2012 3.1절)
풀링2×2 · 보폭 2해상도 절반 · 작은 이동 흡수최대 풀링 0(Goodfellow 2016 9.3절)
완전 연결 계층400 → 120 → 84특징을 클래스 판단으로C5 = (400 + 1) · 120 = 48,120 · F6 = (120 + 1) · 84 = 10,164
출력 계층10숫자 0 ~ 9 점수원 논문은 RBF 출력(LeCun 1998 그림 2)

🔑 합성곱 계층의 파라미터 수는 필터 크기와 채널 수로만 정해지고 이미지 크기와는 무관하다 — 그래서 224×224 이미지에서도 첫 계층 가중치가 수천 개에 머문다.

5동작 — 6×6 입력에 세로 가장자리 필터 적용

Python 3.14.0 · NumPy 2.4.3 · 패딩 없음(numpy.pad 0) · 보폭 1 로 직접 실행한 값이다. 입력은 밝은 띠가 아래로 갈수록 왼쪽으로 기우는 설명용 가정 값(1 = 어두움 · 8 = 밝음)이다.

  1. 입력 6×6 과 세로 가장자리 필터 K = 세 행 모두 (−1, 0, 1) · 편향 0 을 둔다 — 이 계층의 파라미터는 9 + 1 = 10개다.
  2. 위치 (0, 1)의 3×3 창에 K 를 원소마다 곱해 더하면 오른쪽 열 8 + 8 + 8 = 24 에서 왼쪽 열 1 + 1 + 1 = 3 을 뺀 21 이 나온다(뒤집지 않는 교차 상관 · PyTorch Conv2d).
  3. 창을 한 픽셀씩 16자리로 옮겨 ⌊(6 − 3) / 1⌋ + 1 = 4 → 4×4 특징 맵을 얻는다 — 띠의 왼쪽 가장자리는 7 ~ 21, 오른쪽 가장자리는 −7 ~ −21 이고, 21 이 놓인 자리가 행마다 왼쪽으로 옮겨 가 띠의 기울기를 따른다.
  4. ReLU 가 음수 6개를 0으로 바꿔 «어두움 → 밝음» 가장자리만 남긴다.
  5. 2×2 최대 풀링이 16값을 (21, 14 / 21, 0) 4값으로 줄인다.
  6. 입력을 오른쪽으로 1픽셀 밀고 다시 계산하면 특징 맵은 같은 값이 한 셀 오른쪽으로 옮겨 간다(첫 행 7 · 21 · 14 → 0 · 7 · 21 · 14) — 합성곱의 이동 등변성이다(Goodfellow 2016 9.2절).
  7. 같은 이동에서 풀링 출력은 (14, 21 / 21, 14)로 값 4개 중 3개가 바뀐다 — 보폭 2 풀링에 1픽셀 이동은 풀링 창 경계를 넘는 가장 나쁜 경우다.
1 1 1 8 8 8 1 1 1 8 8 8 1 1 8 8 8 1 1 1 8 8 8 1 1 8 8 8 1 1 1 8 8 8 1 1 1 입력 6×6 1 = 어두움 · 8 = 밝음 −1 0 1 −1 0 1 −1 0 1 필터 3×3 · b = 0 2 24 − 3 = 21 7 21 14 −7 14 21 7 −14 21 14 −7 −21 21 7 −14 −21 3 특징 맵 4×4 ReLU 7 21 14 0 14 21 7 0 21 14 0 0 21 7 0 0 4 음수 6개 → 0 최대 21 14 21 0 5 풀링 2×2 밝은 픽셀 어두운 픽셀 · 0 이하 필터 가중치 ReLU 통과 값 풀링 출력 지금 계산하는 창 풀링 2×2 묶음 경계

그림 4 · 3×3 창 하나의 곱의 합 ② 21 이 특징 맵 값 하나가 되고, 값 16개 ③ → ReLU ④ → 최대 풀링 ⑤ 을 거쳐 4값으로 준다.

입력 9×9 · 가운데 픽셀 = 출력 값의 중심 수용 영역 r ← r + (k − 1) × 누적 보폭 계층 1 · 3×3 합성곱 3×3 계층 2 · 3×3 합성곱 5×5 계층 3 · 3×3 합성곱 7×7 풀링 2×2 · 보폭 2(누적 보폭 1 → 2) 8×8 계층 4 · 3×3 합성곱(한 번에 2 × 2 = 4픽셀) 12×12 오른쪽 열 = 출력 한 값이 보는 입력 범위 3×3 세 겹 · 27C² 110,592 7×7 한 겹 · 49C² 200,704 C = 64 · 편향 제외 막대 = 같은 눈금

그림 5 · 3×3 합성곱을 쌓을 때마다 수용 영역이 2씩, 보폭 2 풀링 뒤에는 4씩 넓어지고, 3×3 세 겹은 7×7 한 겹과 같은 넓이를 가중치 55% 로 본다.

🔑 필터는 작게 두고 넓게 보는 일은 깊이에 맡긴다 — 3×3 을 쌓으면 수용 영역은 계층마다 넓어지고, 계층 사이 비선형도 그만큼 늘어난다(Simonyan 2014 2.3절).

6비교 — 대표 구조 네 가지

기준LeNet-5AlexNetVGG-16ResNet-50
발표 · 입력1998 · 32×32 흑백2012 · 224×224×32014 · 224×224×32015 · 224×224×3
계층 구성7계층(합성곱 3 · 서브샘플링 2 · 완전 연결 2)합성곱 5 · 완전 연결 3합성곱 13 · 완전 연결 3합성곱 49 · 완전 연결 1
첫 필터5×5 · 6개11×11 · 보폭 4 · 96개3×3 · 64개7×7 · 보폭 2 · 64개
파라미터 수수만(C5 48,120)약 6천만(4절)1억 3,800만(표 2)2,556만(torchvision)
곱셈 · 덧셈 연산——153억(He 2015 4.1절)38억(He 2015 4.1절)
새로 넣은 것합성곱 · 서브샘플링을 역전파로 학습ReLU · 드롭아웃 · GPU 학습3×3 만 깊게 쌓기잔차 연결 y = F(x) + x · 1×1 병목

분석새 이미지 과제는 사전 학습된 ResNet 계열부터 시작하고, VGG 는 특징 시각화 · 교육용으로 둔다. 근거는 표의 연산 행 — ResNet-50 은 VGG-16 보다 계층이 3배 넘게 깊으면서 연산은 4분의 1이고 파라미터는 5분의 1이다.

비전 트랜스포머(ViT · Dosovitskiy 2020)는 이미지를 16×16 패치로 잘라 토큰처럼 셀프 어텐션에 넣는다. 합성곱 신경망은 지역성 · 2차원 이웃 · 이동 등변성을 모든 계층에 미리 넣어 두지만 ViT 는 이를 데이터에서 배워야 해서, ImageNet 규모를 강한 정규화 없이 학습하면 같은 크기 ResNet 보다 몇 %p 낮고, 1,400만 ~ 3억 장으로 사전 학습하면 따라잡거나 앞선다(Dosovitskiy 2020 1 · 3.1절). 합성곱 특징 맵을 패치로 쓰는 혼합형도 같은 논문에 있다 — 어텐션 자체는 트랜스포머가 다룬다.

7실무 진단 — 합성곱 신경망의 문제 위치 가르기

분석오류 메시지가 있으면 계층별 출력 크기부터, 정확도 문제면 입력 전처리 → 누적 보폭 · 수용 영역 → 학습 곡선 순으로 본다. 크기 · 전처리 착오는 모델을 바꾸지 않고 식 하나 · 설정 하나로 확인되므로(PyTorch Conv2d Shape · torchvision 전처리) 비용이 가장 작다.

#증상의심 원인위치확인 자료판정 기준(근거)
1완전 연결 계층에서 입력 크기 불일치 오류특징 맵 크기 계산 착오합성곱 → 완전 연결 경계계층마다 x.shape 출력⌊(i + 2p − k) / s⌋ + 1 로 다시 셈 · 평탄화 길이 = C × H × W(PyTorch Conv2d · Dumoulin 2016 관계 6)
2사전 학습 모델이 처음부터 크게 틀림전처리 불일치(크기 · 평균 · 표준 편차)입력weights.transforms() 와 내 전처리 비교256 → 224 자르기 · 평균 (0.485, 0.456, 0.406) · 표준 편차 (0.229, 0.224, 0.225)(torchvision resnet50)
3작은 물체 · 가는 결함을 놓침다운샘플 과다깊은 합성곱 계층계층별 누적 보폭 · 수용 영역 계산ResNet-50 마지막 특징 맵 7×7 = 누적 보폭 32(He 2015 표 1) → 물체가 32픽셀보다 작으면 얕은 계층 특징 · 입력 해상도를 쓴다
4물체가 몇 픽셀만 옮겨도 예측이 바뀜보폭 · 풀링의 위치 민감성풀링 · 보폭 계층입력을 1 ~ 2픽셀 밀어 출력 비교사례 7단계처럼 풀링 출력이 바뀜 → 이동 · 뒤집기 데이터 증강(Krizhevsky 2012 4.1절)
5학습 정확도만 높고 검증 정확도가 낮음데이터 대비 파라미터 과다완전 연결 계층학습 · 검증 곡선차이가 계속 벌어짐 → 드롭아웃 · 증강 · 전역 평균 풀링(Krizhevsky 2012 4절 · He 2015 표 1)

2행의 weights.transforms() 는 torchvision 이름이고, TensorFlow Keras 에서는 모델마다 있는 preprocess_input 이 같은 일을 한다.

8시험 대비

출제 정보 정보관리(111회) · 컴퓨터시스템응용(128회, 111회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 합성곱 · 가중치 공유 · 풀링으로 구성을 설명하는 정의 · 특징형과, LeNet 에서 ResNet · ViT 로 이어진 흐름을 묻는 동향 · 발전형이 나올 수 있다. 정의형이면 그림 3 구조에 출력 크기 · 파라미터 식을 붙이고, 동향형이면 비교표의 「새로 넣은 것」 행마다 무엇을 풀었는지 한 줄씩 단다.

답안 목차
  1. 개요 — 정의(지역 연결 · 가중치 공유 · 이동 등변성) · 완전 연결의 한계(4.8 × 10¹¹ ↔ 1,792)
  2. 구조 — 그림 3 LeNet-5 흐름(32×32 → 28×28×6 → … → 10) + 요소 표(⌊(i + 2p − k)/s⌋ + 1 · (k²·C_in + 1)·C_out)
  3. 동작 — 그림 4 6×6 입력 · 3×3 필터 → 4×4 특징 맵 → ReLU → 2×2 풀링(24 − 3 = 21)
  4. 핵심 원리 — 그림 5 수용 영역 3 → 5 → 7 → 12 · 27C² ↔ 49C²
  5. 발전 — 비교표 LeNet → AlexNet → VGG → ResNet(파라미터 · 연산 · 잔차 연결) · ViT 와의 관계(귀납 편향 · 데이터 규모)
  6. 활용 — 분류 · 검출(R-CNN) · 분할(FCN) 출력 형태와 진단 표의 누적 보폭 판정

꼭 쓸 키워드
합성곱필터특징 맵가중치 공유수용 영역패딩보폭풀링잔차 연결귀납 편향

다른 답안과 차이를 내는 한 가지는 파라미터 수를 식으로 직접 계산해 보이는 것이다 — 「파라미터가 적다」 한 줄 대신 1,792 ↔ 4.8 × 10¹¹ 과 27C² ↔ 49C² 를 쓰면 가중치 공유와 작은 필터의 효과가 숫자로 드러난다.

9오해와 사실

  • 오해합성곱 계층은 수학의 합성곱처럼 필터를 뒤집어 곱한다.
    사실대부분의 라이브러리는 뒤집지 않는 교차 상관을 계산하고 합성곱이라 부르며(Goodfellow 2016 9.1절 · PyTorch Conv2d), 필터 값은 학습이 정하므로 뒤집기 여부가 결과를 바꾸지 않는다.
  • 오해풀링을 넣으면 물체 위치가 바뀌어도 같은 출력이 나온다.
    사실풀링의 불변은 작은 이동에 대한 근사이고(Goodfellow 2016 9.3절), 사례에서는 1픽셀 이동에 풀링 출력 값 4개 중 3개가 바뀌었다.

10핵심 정리

구분맡는 일식 · 규칙사례 값가중치
입력 이미지원자료H × W × C6×6×1 · 32×32×1없음
합성곱 계층지역 패턴 검출(k² · C_in + 1) · C_out10개 · LeNet C1 156위치 사이 공유
특징 맵위치별 응답⌊(i + 2p − k) / s⌋ + 14×4 · 28×28×6없음
활성 함수비선형ReLU max{0, z}음수 6개 → 0없음
풀링해상도 축소2×2 · 보폭 24×4 → 2×2없음
수용 영역한 값이 보는 범위r + (k − 1) × 누적 보폭3 → 5 → 7 → 12—
잔차 연결깊은 망 학습y = F(x) + xResNet-50 38억 연산지름길은 없음
출력 계층클래스 점수완전 연결84 → 10있음

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Deep Learning (Ian Goodfellow · Yoshua Bengio · Aaron Courville) 9 Convolutional Networks — 희소 연결 · 가중치 공유 · 등변성 · 풀링의 근사 불변을 식으로 볼 때
    MIT Press · 2016-11 · www.deeplearningbook.org/contents/convnets.html · 확인 2026-11-04
  3. ★ Gradient-Based Learning Applied to Document Recognition (Proceedings of the IEEE 86(11) 2278-2324) — LeNet-5 의 합성곱 · 서브샘플링 · 완전 연결 7계층 구성을 원문으로 볼 때
    IEEE · 1998-11 · ieeexplore.ieee.org/document/726791 · 확인 2026-11-04
  4. ★ Very Deep Convolutional Networks for Large-Scale Image Recognition (Simonyan · Zisserman) — 3×3 필터를 쌓을 때의 수용 영역과 파라미터 수(27C² · 49C²)를 볼 때
    arXiv · ICLR 2015 · 2014-09 · arxiv.org/abs/1409.1556 · 확인 2026-11-04
  5. ★ Deep Residual Learning for Image Recognition (He et al.) — 잔차 연결 · 병목 블록과 계층별 출력 크기(표 1)를 볼 때
    arXiv · 2015-12 · arxiv.org/abs/1512.03385 · 확인 2026-11-04
  6. ★ A guide to convolution arithmetic for deep learning (Dumoulin · Visin) — 패딩 · 보폭에 따른 출력 크기 식을 그림으로 따라갈 때
    arXiv · 2016-03 · arxiv.org/abs/1603.07285 · 확인 2026-11-04
  7. 본문 근거
  8. ImageNet Classification with Deep Convolutional Neural Networks (NIPS 2012) — NeurIPS · 2012-12 · papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html · 확인 2026-11-04
  9. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (Dosovitskiy et al.) — arXiv · ICLR 2021 · 2020-10 · arxiv.org/abs/2010.11929 · 확인 2026-11-04
  10. Receptive fields, binocular interaction and functional architecture in the cat's visual cortex (Journal of Physiology 160 106-154) — The Physiological Society · 1962-01 · doi.org/10.1113/jphysiol.1962.sp006837 · 확인 2026-11-04
  11. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position (Biological Cybernetics 36 193-202) — Springer · 1980-04 · doi.org/10.1007/BF00344251 · 확인 2026-11-04
  12. Backpropagation Applied to Handwritten Zip Code Recognition (Neural Computation 1(4) 541-551) — MIT Press · 1989-12 · doi.org/10.1162/neco.1989.1.4.541 · 확인 2026-11-04
  13. Rich feature hierarchies for accurate object detection and semantic segmentation (Girshick et al.) — arXiv · CVPR 2014 · 2013-11 · arxiv.org/abs/1311.2524 · 확인 2026-11-04
  14. Fully Convolutional Networks for Semantic Segmentation (Long · Shelhamer · Darrell) — arXiv · CVPR 2015 · 2014-11 · arxiv.org/abs/1411.4038 · 확인 2026-11-04
  15. PyTorch 2.15 documentation - torch.nn.Conv2d — PyTorch Foundation · 2026-11 · docs.pytorch.org/docs/2.15/generated/torch.nn.Conv2d.html · 확인 2026-11-04
  16. torchvision documentation - resnet50 · ResNet50_Weights — PyTorch Foundation · 2026-11 · docs.pytorch.org/vision/stable/models/generated/torchvision.models.resnet50.html · 확인 2026-11-04
  17. NumPy v2.4 Manual - numpy.pad — NumPy Developers · 2026-11 · numpy.org/doc/2.4/reference/generated/numpy.pad.html · 확인 2026-11-04