Receptive Field

컴퓨터 비전 (CV) 및 딥러닝 분야에서 수용 영역은 신경망 (NN)의 특정 뉴런이 입력 이미지에서 "보고" 분석하는 특정 영역을 의미합니다. 개념적으로 수용 영역은 사람의 눈이나 카메라 렌즈의 시야와 유사하게 기능합니다. 수용 영역은 특정 레이어에서 모델이 인식할 수 있는 공간적 맥락의 범위를 결정합니다. 데이터가 합성곱 신경망 (CNN)을 통과하면서 수용 영역은 일반적으로 확장되며, 이에 따라 시스템은 가장자리나 모서리와 같은 작고 국소적인 세부 정보를 식별하는 단계에서 전체 객체나 장면과 같은 복잡한 전역 구조를 이해하는 단계로 전환할 수 있습니다.

수용 영역의 작동 원리#

수용 영역의 크기와 깊이는 네트워크 아키텍처에 따라 결정됩니다. 초기 레이어에서 뉴런은 일반적으로 작은 수용 영역을 가지며, 미세한 텍스처를 포착하기 위해 매우 작은 픽셀 클러스터에 집중합니다. 네트워크가 깊어지면서 풀링 레이어 및 스트라이드 합성곱과 같은 연산이 특징 맵을 효과적으로 다운샘플링합니다. 이 과정을 통해 후속 뉴런은 원래 입력의 훨씬 더 넓은 영역에서 정보를 집계할 수 있습니다.

최첨단 Ultralytics YOLO26을 비롯한 최신 아키텍처는 이러한 수용 영역의 균형을 정밀하게 맞추도록 설계되었습니다. 수용 영역이 너무 좁으면 모델이 전체 형태를 인식하지 못해 큰 객체를 식별하지 못할 수 있습니다. 반대로 해상도를 유지하지 않은 채 수용 영역이 지나치게 넓으면 모델이 작은 객체를 놓칠 수 있습니다. 이를 해결하기 위해 엔지니어는 공간 해상도를 낮추지 않고 수용 영역을 확장하는 확장 합성곱(공간 확장 합성곱이라고도 함)을 자주 사용하며, 이는 시맨틱 세그멘테이션과 같은 고정밀 작업에 필수적인 기법입니다.

실제 적용 사례#

수용 영역을 최적화하는 것은 다양한 AI 솔루션의 성공에 매우 중요합니다.

• 자율주행: 자동차 분야의 AI에서 인식 시스템은 미세한 세부 정보와 큰 장애물을 동시에 추적해야 합니다. 차량은 멀리 있는 신호등을 식별하기 위해 작은 수용 영역이 필요하며, 동시에 근처 트럭의 이동 궤적이나 차선의 곡률을 이해하기 위해 큰 수용 영역도 필요합니다. 이러한 다중 스케일 인식은 더 나은 AI 안전성과 의사 결정을 보장합니다.
• 의료 진단: 헬스케어 분야의 AI를 적용할 때 영상의학 전문의는 스캔 이미지에서 이상을 발견하기 위해 모델에 의존합니다. 뇌종양을 식별하려면 네트워크가 뇌의 전반적인 대칭성과 구조를 이해할 수 있도록 큰 수용 영역이 필요합니다. 그러나 유방 촬영술에서 미세 석회화를 감지하려면 미묘한 텍스처 변화를 포착할 수 있는 작은 수용 영역을 가진 초기 레이어를 활용해야 합니다.

관련 개념 구분하기#

네트워크 설계를 완전히 이해하려면 수용 영역을 유사한 용어와 구분하는 것이 도움이 됩니다.

• 수용 영역과 커널의 비교: 커널(또는 필터) 크기는 단일 합성곱 연산에 사용되는 슬라이딩 윈도우(예: 3x3)의 크기를 정의합니다. 수용 영역은 하나의 뉴런에 영향을 미치는 누적 입력 영역 전체를 나타내는 창발적 속성입니다. 여러 개의 3x3 커널을 쌓으면 3x3보다 훨씬 큰 수용 영역이 만들어집니다.
• 수용 영역과 특징 맵의 비교: 특징 맵은 레이어가 생성하는 출력 볼륨으로, 학습된 표현을 포함합니다. 수용 영역은 해당 특징 맵의 한 지점과 원래 입력 이미지 사이의 관계를 설명합니다.
• 수용 영역과 컨텍스트 윈도우의 비교: 두 용어 모두 인식되는 데이터의 범위를 나타내지만, "컨텍스트 윈도우"는 일반적으로 자연어 처리 (NLP) 또는 비디오 분석에서 시간적 또는 순차적 범위(예: 토큰 제한)를 나타내는 데 사용됩니다. 수용 영역은 그리드 형태의 데이터(이미지)에서 공간적 영역만을 의미합니다.

코드에서의 실제 사용#

YOLO26과 같은 최첨단 모델은 모든 크기의 객체에 대해 효과적인 수용 영역을 유지하기 위해 특징 피라미드 네트워크 (FPN)를 활용합니다. 다음 예제에서는 이러한 내부 아키텍처 최적화를 자동으로 활용하여 모델을 로드하고 객체 탐지를 수행하는 방법을 보여줍니다. 최적화된 아키텍처로 자체 모델을 학습하려는 사용자는 원활한 데이터셋 관리와 클라우드 학습을 위해 Ultralytics Platform을 활용할 수 있습니다.

from ultralytics import YOLO

# Load the latest YOLO26 model with optimized multi-scale receptive fields
model = YOLO("yolo26n.pt")

# Run inference; the model aggregates features from various receptive field sizes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results, detecting both large (bus) and small (person) objects
results[0].show()