딥러닝에서 패딩이 필요한 이유와 액티베이션 맵 크기 계산법

합성곱 신경망(CNN)에서 입력 이미지가 여러 계층을 거치면서 크기가 줄어드는 현상은 모델의 설계와 성능에 큰 영향을 줍니다. 이 문제를 해결하고자 자주 사용되는 기법이 바로 패딩(Padding)입니다.

또한, CNN 구조를 이해할 때 꼭 알아야 할 것이 각 계층의 출력 크기(Activation Map Size)를 계산하는 공식입니다.

 

이번 글에서는 패딩이 필요한 상황과 액티베이션 맵의 크기 계산 방법을 실제 예시와 함께 설명하겠습니다.

📚 목차

• 1. 패딩(Padding)이란?
• 2. 패딩을 사용하는 이유
• 3. 액티베이션 맵 크기 계산 공식
• 4. 계산 예시
• 5. 결론

---

1. 패딩(Padding)이란?

패딩(Padding)은 이미지의 가장자리에 0으로 채운 여백을 추가하여 입력 이미지의 크기를 인위적으로 확장하는 기술입니다.
CNN의 합성곱 연산은 커널이 입력 이미지 위를 슬라이딩하면서 계산되는데, 패딩이 없으면 가장자리 픽셀은 덜 활용되며 출력 크기도 줄어들게 됩니다.

2. 패딩을 사용하는 이유

• 출력 크기 유지: 입력과 출력의 크기를 동일하게 맞춰 네트워크 구조를 단순화할 수 있습니다.
• 가장자리 정보 보존: 패딩을 통해 가장자리의 픽셀도 동일한 비중으로 처리됩니다.
• 모델 깊이 증가: 크기 손실 없이 더 많은 계층을 쌓을 수 있어 모델의 표현력이 향상됩니다.

CNN에서는 보통 'same padding' 또는 'valid padding'이라는 용어가 사용됩니다.

• Same padding: 출력 크기가 입력 크기와 같음
• Valid padding: 패딩 없이 연산 → 출력이 줄어듦

3. 액티베이션 맵 크기 계산 공식

CNN에서 합성곱 연산을 거친 후 출력 크기(Activation Map)는 아래의 수식으로 계산됩니다:

출력 크기 = ⌊(입력 크기 + 2×패딩 − 커널 크기) / 스트라이드⌋ + 1

• 입력 크기 (I): 입력 이미지의 높이 또는 너비
• 패딩 (P): 테두리에 추가되는 0의 개수
• 커널 크기 (K): 필터의 크기 (예: 3x3)
• 스트라이드 (S): 필터가 이동하는 간격

4. 계산 예시

예제 1: 패딩 없는 경우

입력 크기 = 32  
커널 크기 = 3  
스트라이드 = 1  
패딩 = 0 (valid)

→ 출력 크기 = ⌊(32 + 0 − 3) / 1⌋ + 1 = 30

예제 2: same padding 적용

입력 크기 = 32  
커널 크기 = 3  
스트라이드 = 1  
패딩 = 1

→ 출력 크기 = ⌊(32 + 2×1 − 3) / 1⌋ + 1 = 32

패딩을 1로 설정함으로써 출력 크기를 유지할 수 있습니다. 이는 딥러닝에서 자주 사용되는 전략입니다.

5. 결론

CNN에서의 패딩은 단순한 여백이 아니라, 출력 크기 유지와 가장자리 정보 보존을 위한 필수 전략입니다. 또한, 각 층의 출력 크기(Activation Map)를 계산하는 공식은 모델 설계 시 레이어의 수, 파라미터 개수, 출력 형태 등을 예측하는 데 매우 유용합니다.

딥러닝 구조를 설계하거나 커스터마이징할 때 반드시 숙지해야 할 개념입니다.