LeNet으로 보는 CNN의 원형

이 프로젝트는 CNN을 복잡한 모델 묶음이 아니라
문제 해결 방식의 최소 단위로 되돌리는 데 목적이 있다.

LeNet 기반 교통 신호 분류는
“CNN이 왜 이런 형태로 굳어졌는가”를 가장 단순한 구조로 보여준다.

---

LeNet 구조 요약

LeNet은 CNN의 기본 뼈대를 단계적으로 드러낸다.

• 입력 이미지
• Convolution
• Pooling
• Convolution
• Pooling
• Fully Connected
• 출력

구조적 특징을 bullet로 정리하면:

• Conv → Pool 반복
  • 국소 패턴 추출 후 요약
• 후반부 FC
  • 공간 정보를 제거하고 결정에 집중
• 깊지 않은 구조
  • 표현력보다 흐름이 명확

👉 CNN의 모든 변형은 이 틀에서 벗어나지 않는다.

---

왜 지금 봐도 의미 있는가

학습 목적 관점

• CNN의 존재 이유를 구조만으로 설명 가능
• 하이퍼파라미터·트릭에 시선이 분산되지 않는다
• “왜 이 레이어가 필요한가”에만 집중 가능

구조 단순성의 가치

• 각 레이어의 역할이 겹치지 않는다
• 문제 발생 시 원인 추적이 쉽다
• CNN 사고 흐름을 기억 단위로 고정하기 좋다

👉 LeNet은 성능이 아니라
이해를 위해 존재하는 구조다.

---

CIFAR-10과의 차이점

데이터 관점

• CIFAR-10: 일반 객체, 클래스 경계 모호
• 교통 신호: 형태 규칙 뚜렷, 시각적 패턴 명확

문제 난이도

• CIFAR-10: 고수준 특징 조합 필요
• 교통 신호: 저수준 패턴만으로도 분류 가능

모델 설계 관점

• CIFAR-10: 구조 선택이 성능에 영향
• LeNet 프로젝트: 구조 자체가 학습 대상

👉 이 프로젝트의 핵심은
“데이터가 단순하면 구조도 단순해진다”는 사실이다.

---

단순한 구조의 장점과 한계

언제 충분한가

• 입력 해상도가 낮을 때
• 패턴이 반복적이고 명확할 때
• 문제 복잡도가 제한적일 때

언제 부족한가

• 클래스 간 시각적 차이가 미묘할 때
• 다양한 스케일·배경 변화가 존재할 때
• 고수준 의미 추론이 필요할 때

👉 LeNet은 CNN의 하한선이다.
이 선이 무너지는 지점이 곧 “더 복잡한 구조가 필요한 이유”다.

---

이 글의 역할은 명확하다.

• CNN을 이해 단위로 압축
• 이후 어떤 CNN을 보더라도
  → “LeNet에서 무엇이 추가되었는가”로 환원

여기까지 오면,
CNN은 더 이상 블랙박스가 아니다.

---

• 참고: Machine Learning 실전 개발 | 8개의 실용 프로젝트