Fully Convolutional Network(FCN)의 주요 특징과 CNN 기반 분류 모델과의 차이

Semantic Segmentation과 같은 문제에서는 이미지의 모든 픽셀을 분류해야 한다.

하지만 기존 CNN 기반 분류 모델은 이미지 전체를 하나의 클래스로 예측하도록 설계되어 있다.

이러한 한계를 해결하기 위해 제안된 모델이 바로 Fully Convolutional Network(FCN)이다.

FCN은 기존 CNN 구조를 변형하여 이미지의 픽셀 단위 예측을 가능하게 만든 모델이다.

---

1. Fully Convolutional Network(FCN)이란 무엇인가

FCN은 이름 그대로 모든 층이 Convolution 연산으로 구성된 신경망 구조이다.

기존 CNN 분류 모델에서는 마지막 단계에 Fully Connected Layer가 사용되지만 FCN에서는 이 레이어를 제거하고 Convolution Layer로 대체한다.

이러한 구조 덕분에 FCN은 입력 이미지의 공간 정보를 유지하면서 픽셀 단위 예측을 수행할 수 있다.

즉 이미지 전체를 하나의 결과로 예측하는 것이 아니라 이미지의 각 위치에 대해 클래스를 예측할 수 있다.

 

---

2. 기존 CNN 기반 분류 모델의 구조

일반적인 CNN 기반 이미지 분류 모델은 다음과 같은 구조로 이루어진다.

• Convolution Layer
• Pooling Layer
• Fully Connected Layer
• Softmax Layer

이 구조에서는 Convolution과 Pooling을 통해 이미지 특징을 추출하고

마지막 Fully Connected Layer에서 하나의 클래스 결과를 예측한다.

따라서 이러한 모델은 이미지 전체를 하나의 카테고리로 분류하는 작업에는 적합하지만 픽셀 단위의 예측을 수행하기는 어렵다.

---

3. FCN의 핵심 특징

FCN은 기존 CNN 구조를 기반으로 하지만 몇 가지 중요한 특징을 가진다.

• Fully Connected Layer를 제거하고 Convolution Layer로 대체
• 입력 이미지의 공간 정보를 유지
• 픽셀 단위 예측 수행 가능
• Semantic Segmentation 문제에 적용 가능

특히 FCN에서는 Feature Map을 다시 원래 이미지 크기로 복원하기 위해 Up-sampling 또는 Deconvolution 연산을 사용한다.

이를 통해 모델은 축소된 특징 맵을 다시 확대하여 최종적인 Segmentation Map을 생성하게 된다.

---

4. FCN과 CNN 분류 모델의 차이

구분	CNN 분류 모델	FCN
목적	이미지 분류	픽셀 단위 분류
출력 형태	하나의 클래스	Segmentation Map
Fully Connected Layer	사용	사용하지 않음
공간 정보	대부분 사라짐	유지됨

 

이처럼 FCN은 기존 CNN 구조를 기반으로 하지만 Fully Connected Layer를 제거하고 공간 정보를 유지하도록 설계된 모델이다.

덕분에 이미지 전체가 아닌 픽셀 단위의 예측이 가능해지며 Semantic Segmentation과 같은 문제에 활용될 수 있다.

---

5. 정리

Fully Convolutional Network(FCN)는 기존 CNN 분류 모델을 확장하여 픽셀 단위 예측을 수행할 수 있도록 만든 모델이다.

기존 CNN은 이미지 전체를 하나의 클래스로 분류하지만 FCN은 이미지의 모든 위치에 대해 클래스를 예측할 수 있다.

이러한 특징 덕분에 FCN은 Semantic Segmentation과 같은 컴퓨터 비전 문제에서 중요한 역할을 하는 모델이다.