Receptive Field

컴퓨터 비전(CV) 및 딥러닝 분야에서 수용 영역(Receptive Field)은 신경망(NN)의 특정 뉴런이 '보고' 분석하는 입력 이미지의 특정 영역을 의미합니다. 개념적으로는 사람의 눈이나 카메라 렌즈의 시야각과 유사하게 작동합니다. 이는 모델이 특정 계층에서 얼마나 많은 공간적 맥락(spatial context)을 인식할 수 있는지를 결정합니다. 합성곱 신경망(CNN)을 통해 데이터가 처리됨에 따라 수용 영역은 일반적으로 확장되며, 이를 통해 시스템은 가장자리나 모서리와 같은 미세한 국소적 세부 정보 식별에서 전체 객체나 장면과 같은 복잡한 전역적 구조 이해로 전환할 수 있습니다.

Link to this section수용 영역의 메커니즘#

수용 영역의 크기와 깊이는 신경망의 아키텍처에 의해 결정됩니다. 초기 계층에서 뉴런은 일반적으로 작은 수용 영역을 가지며, 미세한 질감을 포착하기 위해 작은 픽셀 클러스터에 집중합니다. 신경망이 깊어짐에 따라 풀링 계층(pooling layers) 및 스트라이드 합성곱(strided convolutions)과 같은 연산은 특징 맵(feature maps)을 효과적으로 다운샘플링(downsample)합니다. 이 과정을 통해 후속 뉴런들은 원래 입력의 훨씬 더 넓은 부분에서 정보를 집계할 수 있게 됩니다.

최첨단 Ultralytics YOLO26을 포함한 최신 아키텍처는 이러한 영역들의 균형을 세심하게 조정하도록 설계되었습니다. 수용 영역이 너무 좁으면 모델이 전체 형태를 인식하지 못해 큰 객체를 식별하지 못할 수 있습니다. 반대로, 해상도를 유지하지 못한 채 영역이 지나치게 넓으면 작은 객체를 놓칠 수 있습니다. 이를 해결하기 위해 엔지니어들은 종종 팽창 합성곱(dilated convolutions)(atrous convolutions라고도 함)을 사용하여 공간 해상도를 줄이지 않고 수용 영역을 확장하는데, 이는 의미론적 분할(semantic segmentation)과 같은 고정밀 작업에 필수적인 기술입니다.

Link to this section실제 애플리케이션 사례#

수용 영역을 최적화하는 것은 다양한 AI 솔루션의 성공에 결정적입니다.

• 자율 주행: 자동차용 AI에서 인식 시스템은 미세한 세부 사항과 큰 장애물을 동시에 추적해야 합니다. 차량은 먼 거리의 교통 신호를 식별하기 위해 작은 수용 영역이 필요함과 동시에, 근처 트럭의 궤적이나 도로 차선의 곡률을 이해하기 위해 큰 수용 영역이 필요합니다. 이러한 다중 스케일 인식은 더 나은 AI 안전성과 의사결정을 보장합니다.
• 의료 진단: 의료 AI를 적용할 때 방사선 전문의는 모델을 사용하여 스캔 이미지에서 이상 징후를 발견합니다. 뇌종양 식별을 위해 신경망은 뇌의 전체적인 대칭과 구조를 이해하는 데 큰 수용 영역이 필요합니다. 그러나 유방 촬영술에서 미세 석회화를 감지하기 위해 모델은 미묘한 질감 변화에 민감한 작은 수용 영역을 가진 초기 계층에 의존합니다.

Link to this section관련 개념 구분#

신경망 설계를 완전히 이해하기 위해서는 수용 영역과 유사한 용어를 구별하는 것이 도움이 됩니다:

• 수용 영역 vs 커널(Kernel): 커널(또는 필터) 크기는 단일 합성곱(convolution) 연산을 위한 슬라이딩 윈도우(예: 3x3)의 치수를 정의합니다. 수용 영역은 뉴런에 영향을 미치는 총 누적 입력 영역을 나타내는 창발적 속성입니다. 여러 개의 3x3 커널을 쌓으면 3x3보다 훨씬 큰 수용 영역이 생성됩니다.
• 수용 영역 vs 특징 맵(Feature Map): 특징 맵은 학습된 표현을 포함하여 계층에서 생성된 출력 볼륨입니다. 수용 영역은 해당 특징 맵의 단일 지점과 원래 입력 이미지 간의 관계를 설명합니다.
• 수용 영역 vs 컨텍스트 윈도우(Context Window): 두 용어 모두 인식된 데이터의 범위를 나타내지만, '컨텍스트 윈도우'는 일반적으로 자연어 처리(NLP)나 비디오 분석에서 시간적 또는 순차적 범위(예: 토큰 제한)를 나타내는 데 사용됩니다. 수용 영역은 격자형 데이터(이미지)에서의 공간 영역만을 엄격하게 지칭합니다.

Link to this section코드에서의 실제 사용법#

새로운 YOLO26과 같은 최첨단 모델은 FPN(Feature Pyramid Networks)을 활용하여 모든 크기의 객체에 대해 효과적인 수용 영역을 유지합니다. 다음 예제는 모델을 로드하고 이러한 내부 아키텍처 최적화를 자동으로 활용하여 객체 감지(object detection)를 수행하는 방법을 보여줍니다. 최적화된 아키텍처로 자체 모델을 훈련하려는 사용자는 Ultralytics Platform을 사용하여 원활한 데이터셋 관리 및 클라우드 훈련을 수행할 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()