소프트웨어개발실무) 논문 내용 정리 - Going deeper with convolution

1. 서론

컨볼루션 신경망(Convolutional Neural Network, CNN)은 최근 이미지 처리, 자연어 처리 등 다양한 인공 지능 분야에서 핵심 역할을 담당하며 빠르게 발전하고 있다. CNN은 복잡한 데이터의 특징을 효율적으로 추출하여 성능을 극대화하는 구조로, 특히 깊어질수록 더 뛰어난 표현력을 갖게 된다. 본 논문에서는 CNN의 깊이와 관련된 심화 기법들을 탐구하며, 일반적인 설계 한계와 이를 극복하기 위한 현대적 접근 방식을 제시한다. 기존 연구들에 의하면, 네트워크의 깊이가 20 이상인 모델들이 ImageNet 데이터셋에서 최고 수준의 성능을 기록하였으며, 2015년의 ResNet은 152층까지 확장 가능하여 기존보다 뛰어난 정확도를 달성하였다. 그러나 네트워크가 너무 깊어질 경우 발생하는 기울기 소실 문제, 계산 비용 증가, 오버피팅 등은 실질적 제약 사항으로 남아 있다. 이러한 문제들을 해결하기 위해, 잔차 연결(residual connections), 밀집 블록(dense blocks) 등의 심화 기법들이 도입되어 성능 향상에 기여하였다. 특히, 1,000개 이상의 층을 가진 딥러닝 모델들이 실시간 영상인식, 의료 영상 진단 등의 분야에서 높은 정확도를 보여주며, 올바른 설계…