잔여 네트워크(ResNet)는 매우 심층적인 신경망의 학습을 방해하는 소실 경사 문제를 해결하기 위해 설계된 획기적인 딥 러닝 아키텍처입니다. 2015년 Kaiming He와 그의 연구팀( Microsoft Research)이 도입한 ResNet은 '연결 건너뛰기' 또는 '잔여 연결'을 활용하여 정보가 하나 이상의 레이어를 우회할 수 있도록 함으로써 수백, 수천 개의 레이어로도 모델을 효과적으로 훈련할 수 있도록 합니다. 이러한 혁신 덕분에 ResNet은 최신 딥 러닝, 특히 컴퓨터 비전 작업에서 기본 아키텍처로 자리 잡았습니다.
연결 건너뛰기: 이러한 연결은 그라데이션이 네트워크를 통해 직접 흐르도록 하여 사라지는 그라데이션 문제를 완화합니다. 하나 이상의 레이어를 건너뛰고 입력을 블록의 출력에 직접 연결하는 바로 가기를 도입하는 방식으로 작동합니다. 딥 네트워크 훈련에서 역전파의 역할에 대해 자세히 알아보세요.
잔여 블록: ResNet의 핵심 구성 요소인 잔여 블록은 블록의 입력을 출력에 추가하여 전체 변환이 아닌 잔여 매핑을 효과적으로 학습합니다. 이렇게 하면 네트워크가 입력과 다른 부분을 학습하는 데 초점을 맞추기 때문에 최적화가 간소화됩니다.
확장성: ResNet 아키텍처는 성능 저하 없이 ResNet-50, ResNet-101, ResNet-152와 같은 매우 심층적인 네트워크로 확장할 수 있습니다.
향상된 일반화: 잔여 연결은 딥 네트워크의 일반화 기능을 향상시켜 이미지넷과 같은 다양한 작업과 데이터 세트에서 ResNet을 강력하게 만들어 줍니다.
ResNet은 이미지 분류 작업의 최전선에서 활약해 왔습니다. ResNet-50 및 ResNet-101과 같은 모델은 분류 파이프라인의 백본으로 자주 사용됩니다. 예를 들어, ResNet은 2015년 ImageNet 대규모 시각 인식 챌린지(ILSVRC)에서 우승하는 데 중요한 역할을 했습니다. 이미지 분류와 그 응용에 대해 자세히 알아보세요.
ResNet은 일반적으로 Faster R-CNN 및 Ultralytics YOLO 과 같은 객체 감지 프레임워크의 백본으로 사용됩니다. 계층적 특징을 추출하는 기능이 있어 이미지에서 객체의 위치를 파악하고 분류하는 데 이상적입니다. 객체 감지가 의료 및 자율 주행 차량과 같은 산업을 어떻게 혁신하는지 살펴보세요.
의료 분야에서 ResNet 모델은 엑스레이, MRI, CT 스캔과 같은 복잡한 의료 이미지를 분석하는 데 사용됩니다. 종양이나 장기 이상과 같은 이상 징후를 높은 정확도로 감지하는 데 도움이 됩니다. 의료 분야의 AI가 진단과 치료 계획을 어떻게 혁신하고 있는지 알아보세요.
ResNet은 자율 주행 차량용 비전 시스템의 핵심 구성 요소로 보행자, 차량, 교통 표지판의 정확한 물체 인식을 가능하게 합니다. ResNet의 강력한 특징 추출 기능은 역동적인 환경에서도 안전한 주행을 보장합니다. 자율 주행에서 AI의 역할에 대해 자세히 알아보세요.
얼굴 인식 시스템: ResNet은 얼굴 인식 모델에서 개인을 식별하고 인증하는 데 사용됩니다. 예를 들어, Facebook의 DeepFace는 ResNet에서 영감을 얻은 아키텍처를 사용하여 사람 수준의 얼굴 인증 정확도를 달성합니다.
제조 품질 관리: 생산 라인에 있는 제품의 이미지를 분석하여 제품 결함을 감지하기 위해 제조 분야에 ResNet 모델을 적용합니다. 이러한 자동화는 효율성을 높이고 인적 오류를 줄입니다. 제조 분야의 비전 AI가 산업 프로세스를 어떻게 혁신하고 있는지 살펴보세요.
ResNet의 성공 비결은 성능 저하 없이 매우 심층적인 네트워크를 훈련할 수 있는 능력에 있습니다. 기존의 딥 네트워크는 레이어가 증가함에 따라 소실 그라디언트 문제로 인해 정확도가 떨어지는 경우가 많습니다. ResNet은 네트워크를 통해 그라데이션이 방해받지 않고 전파될 수 있도록 잔여 연결을 사용하여 이 문제를 해결합니다.
더 자세한 기술적인 내용은 CNN(합성곱 신경망) 용어집 페이지에서 CNN이 ResNet과 같은 아키텍처를 어떻게 뒷받침하는지 설명하는 내용을 참조하세요.
U-Net: ResNet과 U-Net은 모두 딥 아키텍처를 지원하지만, U-Net은 이미지 분할 작업을 위해 특별히 설계되어 픽셀 수준의 분류를 제공합니다. U-Net에 대해 자세히 알아보세요.
비전 트랜스포머(ViT): 컨볼루션 레이어에 의존하는 ResNet과 달리 비전 트랜스포머는 자체 주의 메커니즘을 사용하여 이미지의 글로벌 종속성을 모델링합니다. 비전 트랜스포머를 살펴보고 비교해보세요.
ResNet은 각 레이어를 다른 모든 레이어에 연결하여 스킵 연결의 개념을 확장한 DenseNet과 같은 새로운 아키텍처에 계속해서 영감을 주고 있습니다. 딥러닝이 발전함에 따라 ResNet은 효율적이고 확장 가능한 모델을 개발하기 위한 초석으로 남아 있습니다.
직접 경험해 보려면 Ultralytics HUB를 방문하여 분류 및 탐지 등의 작업을 위한 백본으로 ResNet을 활용하여 AI 모델을 학습하고 배포하세요.
%25202.png)
%202.png)
