[G1-Sync] Manual knowledge update

10_Wiki/Topics/ResNet-Architectures.md

@@ -2,7 +2,7 @@
 id: DL-RES-ARCH-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, deep-learning, resnet, neural-architecture, computer-vision, bottleneck-layer, model-design]
+tags: [ai, [[Deep-Learning]], resnet, neural-[[Architecture]], [[Computer-Vision]], bottleneck-layer, model-design]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "작은 망(18, 34)은 정직한 결합(Basic Block)으로, 거대한 망(50, 101, 152)은 압축된 결합(Bottleneck)으로 설계하여 성능과 연산 효율의 정교한 밸런스를 달성하라" — 잔차 학습 원리를 바탕으로 층의 깊이와 복잡도를 체계적으로 설계한 ResNet 시리즈의 구체적 명세와 변형 모델들.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Structural Scaling and Resource Optimization" — 얕은 층에서는 연산 성능을 위해 단순한 2층 구조를 사용하고, 깊은 층에서는 연산 비용을 줄이기 위해 $1 \times 1$ 컨볼루션을 활용한 3층 보틀넥 구조를 채택하여 전체 파라미터 수를 관리하는 패턴.
+- **추출된 패턴:** "Structural Scaling and Resource [[Optimization]]" — 얕은 층에서는 연산 성능을 위해 단순한 2층 구조를 사용하고, 깊은 층에서는 연산 비용을 줄이기 위해 $1 \times 1$ 컨볼루션을 활용한 3층 보틀넥 구조를 채택하여 전체 파라미터 수를 관리하는 패턴.
 - **주요 아키텍처 명세:**
     - **ResNet-18 / 34:** Basic Block ($3 \times 3$ Conv 위주) 사용. 중소규모 데이터셋에 적합.
     - **ResNet-50 / 101 / 152:** Bottleneck Block ($1 \times 1, 3 \times 3, 1 \times 1$ Conv) 사용. 대규모 데이터셋과 복잡한 특징 추출에 강점.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 비전 서비스의 요구 성능에 따라 엣지 기기용(ResNet-18)부터 고성능 서버용(ResNet-101/152)까지 최적화된 아키텍처 프리셋을 제공함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Residual-Networks]], Deep-Learning-Foundations, Convolutional-Neural-Networks-CNN, Model-Compression-and-Deployment
+- [[Residual-Networks]], Deep-Learning-Foundations, [[Convolutional-Neural-Networks]]-CNN, [[Model-Compression]]-and-Deployment
 - **Raw Source:** 10_Wiki/Topics/AI/ResNet-Architectures.md