• 합성곱(convolution): 입력 데이터에서 지역적 특징(local feature)을 추출하는 역할을 합니다. 필터(커널)를 사용해 이미지의 엣지, 패턴, 텍스처 등 중요한 정보를 학습합니다. 합성곱 계층의 출력은 특징 맵이며, 이는 입력 데이터의 지역적 패턴 정보를 포함합니다.
• 풀링(pooling): 입력 데이터의 크기를 줄이고, 중요한 정보를 요약하여 계산 효율성을 높이고 과적합을 방지합니다. 공간적 구조는 유지하면서 불필요한 세부 정보를 제거합니다.
• 완전 연결 계층(fully connected layer): 합성곱 계층과 풀링 계층에서 추출된 특징을 기반으로 최종 출력값을 계산합니다. 출력 크기는 분류나 회귀 문제에 따라 달라집니다.
그러나 여전히 대규모 이미지 인식 문제를 해결하기에 데이터와 연산 자원이 충분하지 않았습니다. 당시 CNN은 주로 손글씨 인식과 같은 특정 분야에 한정되었으며, 수년에 걸쳐 추가로 연구하고 기술이 발전해 더 넓은 분야로 확장할 수 있었습니다.