Receptive Field

computer vision (CV) 및 딥러닝 분야에서 수용장(receptive field)은 neural network (NN)의 특정 뉴런이 입력 이미지의 특정 영역을 "보고" 분석하는 범위를 의미합니다. 개념적으로는 인간의 눈이나 카메라 렌즈의 시야와 유사하게 작동합니다. 이는 모델이 특정 레이어에서 인식할 수 있는 공간적 컨텍스트의 범위를 결정합니다. 데이터가 Convolutional Neural Network (CNN)을 거쳐 진행됨에 따라 수용장은 일반적으로 확장되며, 이를 통해 시스템은 가장자리나 모서리 같은 미세하고 국소적인 세부 사항을 식별하는 단계에서 전체 객체나 장면과 같은 복잡하고 전역적인 구조를 이해하는 단계로 전환할 수 있습니다.

수용 영역의 메커니즘#

수용장의 크기와 깊이는 네트워크의 아키텍처에 의해 결정됩니다. 초기 레이어에서 뉴런은 일반적으로 작은 수용장을 가지며, 미세한 텍스처를 포착하기 위해 작은 픽셀 군집에 집중합니다. 네트워크가 깊어짐에 따라 pooling layers 및 strided convolutions과 같은 연산은 피처 맵을 효과적으로 downsample합니다. 이 과정을 통해 후속 뉴런들은 원래 입력의 훨씬 더 큰 부분에서 정보를 집계할 수 있습니다.

최첨단 Ultralytics YOLO26을 포함한 현대적 아키텍처는 이러한 필드들의 균형을 세심하게 맞추도록 설계되었습니다. 수용장이 너무 좁으면 모델이 전체 형태를 인식하지 못하여 큰 객체를 인식하지 못할 수 있습니다. 반대로, 해상도를 유지하지 않은 채 수용장이 지나치게 넓으면 모델이 작은 객체를 놓칠 수 있습니다. 이를 해결하기 위해 엔지니어들은 공간 해상도를 줄이지 않고 수용장을 확장하기 위해 dilated convolutions(atrous convolution이라고도 함)를 자주 사용하며, 이는 semantic segmentation과 같은 고정밀 작업에 필수적인 기법입니다.

실제 애플리케이션 사례#

수용장 최적화는 다양한 AI solutions의 성공을 위해 매우 중요합니다.

• 자율 주행: AI for automotive 분야에서 인지 시스템은 미세한 세부 사항과 큰 장애물을 동시에 추적해야 합니다. 차량은 멀리 있는 신호등을 식별하기 위해 작은 수용장이 필요한 동시에, 근처 트럭의 궤적이나 도로 차선의 곡률을 파악하기 위해 큰 수용장을 동시에 필요로 합니다. 이러한 다중 스케일 인지는 더 나은 AI safety 및 의사 결정을 보장합니다.
• 의료 진단: AI in healthcare을 적용할 때 영상의학과 의사들은 스캔에서 이상 징후를 발견하기 위해 모델에 의존합니다. brain tumors을 식별하기 위해 네트워크는 뇌의 전반적인 대칭성과 구조를 이해하기 위해 큰 수용장이 필요합니다. 그러나 유방촬영술에서 미세 석회화를 감지하기 위해 모델은 미묘한 텍스처 변화에 민감한 작은 수용장을 가진 초기 레이어에 의존합니다.

관련 개념 구분#

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

• 수용장 대 Kernel: 커널(또는 필터) 크기는 단일 convolution 연산을 위한 슬라이딩 윈도우의 차원(예: 3x3)을 정의합니다. 수용장은 뉴런에 영향을 미치는 총 누적 입력 영역을 나타내는 창발적 속성입니다. 여러 개의 3x3 커널이 쌓이면 3x3보다 훨씬 큰 수용장이 생성됩니다.
• 수용장 대 Feature Map: 피처 맵은 학습된 표현을 포함하여 레이어에 의해 생성되는 출력 볼륨입니다. 수용장은 해당 피처 맵의 단일 포인트와 원래 입력 이미지 사이의 관계를 설명합니다.
• 수용장 대 Context Window: 두 용어 모두 인식된 데이터의 범위를 나타내지만, "컨텍스트 윈도우"는 일반적으로 Natural Language Processing (NLP) 또는 비디오 분석에서 시간적 또는 순차적 범위(예: 토큰 제한)를 나타내는 데 사용됩니다. 수용장은 그리드 형태의 데이터(이미지)에서 공간적 영역을 엄격하게 나타냅니다.

코드에서의 실제 사용법#

신형 YOLO26과 같은 최첨단 모델은 FPN(Feature Pyramid Networks)을 활용하여 모든 크기의 객체에 대해 효과적인 수용장을 유지합니다. 다음 예제는 이러한 내부 아키텍처 최적화를 자동으로 활용하여 모델을 로드하고 object detection을 수행하는 방법을 보여줍니다. 최적화된 아키텍처로 자신만의 모델을 학습하고자 하는 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()