series · cnn-deep-dive

📚 Cnn Deep Dive

총 7편 · 순서대로 읽기를 권장

AI 2026.04.28 · 14 min Advanced Cnn Deep Dive · 1

CNN의 수학적 토대 — Convolution부터 Frequency까지

Discrete convolution의 정의와 cross-correlation의 차이부터, Translation equivariance의 군론적 증명, Toeplitz 행렬 표현, 그리고 Spectral bias까지 CNN의 설계 철학을 추적한다.

AI 2026.04.28 · 12 min Advanced Cnn Deep Dive · 2

CNN 설계의 다섯 가지 선택은 하나의 문제에서 나온다

Convolution의 forward/backward 수학부터 depthwise separable의 텐서 분해까지, CNN이 '어디서 무엇을 볼 것인가'를 결정하는 방식을 추적한다.

AI 2026.04.28 · 13 min Advanced Cnn Deep Dive · 3

CNN의 수용장은 왜 기대보다 작은가

이론적 receptive field 공식부터 유효 수용장의 Gaussian 감쇠, dilated convolution의 지수 확장, semantic segmentation 설계까지 — CNN이 실제로 '보는' 영역을 추적한다.

AI 2026.04.28 · 11 min Advanced Cnn Deep Dive · 4

Skip Connection은 왜 깊은 네트워크를 살렸는가

Residual block의 identity shortcut부터 DenseNet의 dense connection, Highway의 learnable gate, Stochastic Depth의 implicit ensemble까지, 깊이의 저주를 구조적으로 해결한 설계 철학을 추적한다.

AI 2026.04.28 · 13 min Intermediate Cnn Deep Dive · 5

CNN 아키텍처 설계의 통일된 논리: 무엇이 성능을 결정하는가

VGG의 depth 실험부터 NAS의 자동 탐색까지, 현대 CNN 아키텍처 설계를 관통하는 하나의 원리 — 표현력과 효율성의 균형 — 를 추적한다.

AI 2026.04.28 · 12 min Advanced Cnn Deep Dive · 6

CNN 응용의 통일 원리 — 손실 함수가 설계를 결정한다

분류의 softmax gradient부터 탐지의 Focal Loss, 분할의 Dice Loss, 자기지도학습의 contrastive loss까지, CNN 각 응용 영역의 손실 함수 설계 철학을 추적한다.

AI 2026.04.28 · 13 min Advanced Cnn Deep Dive · 7

CNN의 설계 철학은 어디서 왔는가

귀납적 편향의 근거부터 적대적 취약성, 스펙트럼 편향, Vision Transformer와의 수렴까지 — CNN의 모든 설계 결정이 공유하는 하나의 원리를 추적한다.