보통 이미지 분할에서 높은 성능을 내려면 수용 영역(receptive field)의 크기가 중요한데, 수용 영역을 확대하여 특성을 찾는 범위를 넓게 해 주기 때문입니다. Atrous 합성곱을 활용하면 파라미터 개수를 늘리지 않으면서도 수용 영역을 크게 키울 수 있기 때문에 이미지 분할 분야에서 많이 사용합니다.
즉, 다음 그림과 같이 일반적인 CNN을 적용하면 출력은 입력에 비해 1/32로 줄어들었지만, Atrous 합성곱을 적용하면 1/8로 줄어들었습니다. 따라서 특성 맵 크기가 기존 대비 4배 보존된 것을 확인할 수 있습니다.
▲ 그림 6-46 Atrous 합성곱 효과
Note ≡ 수용 영역
수용 영역이란 외부 자극이 전체에 영향을 주는 것이 아니라 특정 영역에만 영향을 준다는 의미입니다. 마찬가지로 영상에서 특정 위치에 있는 픽셀들은 그 주변에 있는 일부 픽셀과 연관성은 높지만 거리가 멀어질수록 그 영향은 감소하게 됩니다. 영상 전체 영역에 대해 서로 동일한 중요도를 부여하여 처리하는 대신, 특정 범위를 한정해서 처리하여 효과적으로 훈련을 수행하는 것이 수용 영역입니다.
5~6장에 걸쳐 합성곱 신경망을 자세히 알아보았습니다. 이어서 7장에서는 시계열 분석을 살펴보겠습니다.