거울 신경망을 이용한 차원 축소와 재구성 기반 객체 인식

본 논문은 고차원 이미지 데이터를 저차원 특징 벡터로 압축하고, 압축된 특징을 이용해 원본 이미지를 재구성하는 ‘거울 신경망(Mirroring Neural Network, MNN)’이라는 새로운 신경망 구조를 제안한다. MNN은 입력층과 출력층에 동일한 수의 유닛을 배치하고, 중간에 가장 작은 규모의 은닉층을 두어 ‘수렴‑발산(converging‑diverging)’ 형태를 만든다. 예를 들어, 26×26 회색조 얼굴 이미지(676 차원)를 입력으로 받아 40개의 은닉 유닛을 거쳐 다시 676개의 출력 유닛으로 복원하는 676‑40‑676 구조를 사용한다. 네트워크의 각 노드에서는 하이퍼볼릭 탄젠트 함수 f(x)=tanh(x/2)를 활성화 함수로 사용한다. 이는 전통적인 시그모이드보다 기울기가 완만해 학습 초기에 큰 가중치 변동을 억제하고, 역전파 과정에서 기울기 소실 문제를 완화한다. 가중치는 –0.2에서 +0.2 사이의 작은 난수로 초기화하고, 학습률은 은닉층에 10% 더 크게 적용한다. 입력 이미지의 픽셀 값은 0~255 범위에서 먼저 0~255로 정규화한 뒤, (G‑128)/128 공식을 통해