Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

3.3 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

title

Pooling

📌 한 줄 통찰 (The Karpathy Summary)

"지적 요약의 힘: 이미지의 미세한 픽셀 정보를 다 가지고 있지 않아도, 핵심적인 특징(예: 코너나 엣지)만 골라내어 크기를 확 줄임으로써, 인공 신경망이 정보 과부하에 빠지지 않고 중요한 것에만 집중하게 만드는 다이어트 기법."

📖 구조화된 지식 (Synthesized Content)

풀링(Pooling)은 합성곱 신경망(CNN)에서 특성 지도의 해상도를 낮춰 연산량을 줄이고 중요한 특징을 강조하는 과정입니다.

대표적 기법:
- Max Pooling: 해당 영역에서 가장 큰 값(가장 두드러진 특징)만 남김. (가장 널리 쓰임)
- Average Pooling: 영역의 평균값을 취함 (부드러운 요약).
이점:
- Invariance: 사물이 이미지 안에서 살짝 옆으로 이동해도 동일하게 인식하는 강인함 제공.
- Computational Efficiency: 데이터 크기를 줄여 연산 속도 향상. (Efficiency와 연결)
- Overfitting Reduction: 세세한 부분(Noise)을 뭉개버려 과적합 방지. (Overfitting와 연결)

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 과거에는 무조건 데이터 크기를 줄이는 정책이 효율적이라 믿었으나, 현대 정책은 정보 보존 정책을 중시하여 풀링 대신 보폭(Stride)을 넓린 합성곱(Strided Convolution) 정책을 사용해 정보 손실을 최소화하기도 함(RL Update).
정책 변화(RL Update): 최근의 트랜스포머 기반 비전 모델(ViT) 정책에서는 풀링 대신 '패치 임베딩' 정책이나 'Layer Norm' 정책 등을 활용해 전역적인 맥락을 더 정교하게 파악하는 방향으로 진화 중임.

🔗 지식 연결 (Graph)

Computer Vision, Deep Learning (DL), Efficiency, Overfitting, Noise
Modern Tech/Tools: CNN, Global Average Pooling (GAP), Pytorch (nn.MaxPool2d).

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

(TODO)

언제 쓰면 안 되는가:

(TODO)

🧪 검증 상태 (Validation)

정보 상태: needs_review
출처 신뢰도: A
검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
처리 방식: UPDATE (자동 정규화)
처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

3.3 KiB Raw Blame History