모두의 AI
머신러닝플레이그라운드

플레이그라운드

직접 만지며 배우는 AI 실험실

딥러닝

  • 신경망 분류기

강화학습

  • 강화학습 에이전트

컴퓨터 비전

  • 합성곱 비전

트랜스포머

  • 어텐션 놀이터
신경망 분류기강화학습 에이전트합성곱 비전어텐션 놀이터
로딩 중…

플레이그라운드

합성곱 비전 Playground

K-컬쳐 패턴에 필터를 씌워 feature map이 어떻게 바뀌는지 직접 확인해 보세요!

단계대기
설정 설명

▶ 재생으로 커널이 입력 위를 슬라이딩하며 합성곱·ReLU·풀링이 한 칸씩 채워집니다. 한 걸음으로도 단계별로 확인할 수 있어요.

입력 이미지

어떤 K-컬쳐 패턴으로 실험할까요?

관련 배우기
  • 합성곱 신경망 기초: 이미지에서 패턴 찾기
  • 중급 딥러닝: 학습을 안정시키고, 이미지·텍스트를 다루기

16×16 픽셀 패턴을 그레이스케일로 변환한 뒤 합성곱에 넣습니다. 태극·단청은 NN Classifier와 같은 K-데이터셋 테마입니다.

3×3 커널

필터를 고르거나 칸을 눌러 직접 편집하세요

관련 배우기
  • 합성곱 신경망 기초: 이미지에서 패턴 찾기
  • 풀링과 다중 채널: 요약하고 색을 나누기
  • 딥러닝에서 보는 활성화 함수

커널(필터)은 입력의 작은 영역과 원소별 곱 후 합으로 feature map 한 칸을 만듭니다. Sobel은 에지, 블러는 부드럽게, 샤프닝은 윤곽을 강조합니다.

프리셋

Sobel X — 가로 방향 밝기 변화 — 세로 에지(수직 경계)를 강조합니다

커널 칸을 클릭하면 −2~2 값이 순환합니다.

출력

각 단계 feature map — 재생으로 합성곱·ReLU·풀링이 한 칸씩 채워집니다

입력 이미지 위에 마우스를 올리면 커널이 덮는 3×3 영역이 보라색으로 표시됩니다.

입력

16×16

16×16 원본 픽셀 — K-컬쳐 패턴을 그레이스케일로 CNN에 넣습니다

→

합성곱

14×14

3×3 필터 슬라이딩 — 주변 픽셀 가중합으로 에지·질감 등 공간 특징을 추출합니다

→

ReLU

14×14

max(0, x) — 음수 응답을 0으로 잘라 활성화된 특징만 남깁니다

→

맥스풀링

7×7

2×2 최댓값 — 맵 크기를 줄이고 작은 위치 이동에 덜 민감하게 만듭니다

히트맵: 보라=양의 응답, 주황=음의 응답 · 값이 클수록 진한 색