Chapter 80. 공간적 특징 추출: 필터(Filter)와 커널(Kernel) 연산 기하학 Chapter 80. 공간적 특징 추출: 필터(Filter)와 커널(Kernel) 연산 기하학 80.1합성곱 필터의 정의와 학습 가능한 파라미터로서의 역할 80.2커널 크기(Kernel Size)의 선택과 수용장에 대한 영향 80.31×1 합성곱 커널의 수학적 의미와 차원 축소 기능 80.43×3 커널의 범용적 우위성과 연속 적층을 통한 등가 수용장 계산 80.55×5 및 7×7 대형 커널의 기하학적 포착 범위와 계산 비용 분석 80.6비대칭 커널 분해: N×1과 1×N 합성곱의 파라미터 효율성 80.7에지 검출 필터: 소벨(Sobel) 및 프레위트(Prewitt) 연산자의 기하학적 해석 80.8가우시안 블러 필터의 공간 주파수 감쇠 특성과 수학적 정의 80.9샤프닝 필터와 라플라시안(Laplacian) 연산자의 2차 미분 구조 80.10학습된 필터의 시각화: 저수준 특징과 고수준 특징의 계층적 추출 패턴 80.11필터의 초기화 분포와 특징 추출 다양성 확보 전략 80.12그룹 합성곱(Grouped Convolution)의 필터 분할 구조와 연산량 절감 80.13채널 주의(Channel Attention)에 의한 필터 응답 재조정: SE-Net 구조 80.14공간 주의(Spatial Attention)에 의한 위치별 필터 가중치 적응 80.15팽창 합성곱(Dilated Convolution)의 팽창률(Dilation Rate)과 수용장 확장 기하학 80.16변형 가능 커널(Deformable Kernel)의 오프셋 학습과 비정형 수용장 형성 80.17가중치 공유(Weight Sharing) 원리와 공간적 평행 이동 등변성의 기하학적 근거 80.18필터의 L1 및 L2 정규화와 희소 특징 추출 유도 80.19커널 프루닝(Kernel Pruning)을 통한 필터 수 최적화와 모델 경량화 80.20필터 응답 맵의 통계적 분석: 분산, 엔트로피, 활성화 밀도 80.21필터 설계의 발전 방향: 신경 구조 탐색(NAS) 기반 커널 자동 설계