99. 특성 맵 (Feature Map) / 액티베이션 맵

⚠️ 이 문서는 이미지 인식(CNN) 모델의 돋보기(필터/커널)가 원본 고양이 사진을 쾅쾅 찍으며 훑고 지나간 직후, 원본의 무의미한 픽셀 색상들은 싹 다 증발해 버리고 오직 '가로선', '세로선', '귀 모양' 같은 AI가 중요하다고 생각하는 핵심 힌트(특징)들만 마치 형광펜이 칠해진 암호 지도처럼 쭈글쭈글하게 압축되어 튀어나오는 결과물인 '특성 맵(Feature Map)'의 정체와 그 생명주기를 다룹니다.

핵심 인사이트 (3줄 요약)

  1. 본질: 필터(Filter)가 원본 이미지와 짝짜꿍(합성곱 연산)을 해서 만들어낸 '새로운 형태의 요약본 도화지'다. 인간의 눈에는 알아볼 수 없는 흑백의 얼룩 덩어리로 보이지만, 기계의 눈에는 고양이의 테두리와 수염 위치가 번쩍거리는 완벽한 단서 지도다.
  2. 가치: 100만 화소짜리 복잡한 원본 사진 1장을 그대로 뇌(신경망)로 보내면 과부하가 걸리지만, 이 특성 맵은 핵심 정보만 꾹꾹 눌러 담은 정수(엑기스)이기 때문에, 층이 깊어질수록 데이터 용량은 줄어들면서도 의미(Meaning)는 더 고차원적으로 증폭되는 마법을 부린다.
  3. 기술 체계: 단순히 필터를 곱해서 나온 쌩얼 지도는 선형적이라 맛이 없으므로, 그 위에 ReLU 같은 활성화 함수(Activation Function) 물감을 부어 음수(-)를 제거해버린 완성본 지도를 **'액티베이션 맵(Activation Map)'**이라고 부르며, 이 수백 장의 맵들이 모여 겹겹의 채널(Channel)을 형성한다.

Ⅰ. 특성 맵의 탄생: 원본의 멸망과 특징의 부각

기계는 색깔에 관심이 없다. 오직 '경계선'과 '패턴'에만 반응한다.

  1. 합성곱(Convolution)의 결과물:
    • $10 \times 10$ 크기의 강아지 흑백 사진이 있다.
    • 여기에 '가로선'을 기가 막히게 찾아내는 $3 \times 3$ 필터 도장을 찍으며(Stride=1) 쭉 훑는다.
    • 연산이 끝나면, 원본 강아지 사진은 사라지고 새로운 $8 \times 8$ 크기의 새로운 도화지가 툭 떨어진다. 이 도화지의 숫자들을 색깔로 변환해 눈으로 보면, 강아지의 몸통 색깔은 다 까맣게(0) 죽어버리고, 강아지 귀와 턱의 가로 테두리 부분만 하얗게(100) 번쩍번쩍 빛나고 있다. 이것이 바로 특성 맵(Feature Map)이다.
  2. 다중 필터와 채널의 폭발:
    • 그런데 고양이를 구별하려면 가로선 1개만 봐선 안 된다. 세로선, 대각선, 동그라미, 털의 질감 등 수십 개의 단서가 필요하다.
    • 그래서 CNN 1번 층에 필터 도장을 무려 '64개'나 서로 다른 모양으로 세팅해서 동시에 훑게 시킨다.
    • 결과적으로 원본 사진 1장을 넣었더니, 가로선 지도 1장, 세로선 지도 1장, 질감 지도 1장... 총 **64장의 두꺼운 책(64 Channel의 Feature Map 뭉치)**이 되어 다음 층으로 넘어간다.

📢 섹션 요약 비유: 복잡한 범죄 현장(원본 사진)에 64명의 전문 감식반(필터)이 들어갑니다. 혈흔 전문가는 혈흔만 형광펜으로 칠한 투명 필름(특성 맵)을 내놓고, 족적 전문가는 발자국 위치만 칠한 투명 필름 1장을 냅니다. 이 64장의 얇은 요약 필름들을 차곡차곡 포개어 책으로 철해 놓은 것(다채널 Feature Map)이 바로 1층 검색을 마친 AI의 수사 브리핑 자료입니다. 원본 현장은 치워버려도, 이 64장의 필름만 있으면 범인의 완벽한 윤곽을 잡아낼 수 있습니다.

Ⅱ. 액티베이션 맵(Activation Map)으로의 진화

필터가 찾아낸 증거들 중, 확실한 놈만 살리고 애매한 놈은 죽인다.

  1. 마이너스(-) 값의 무의미함:
    • 필터 도장을 꽝꽝 찍어서 나온 쌩얼 지도의 숫자들을 보면 +150, -40, 0 등 중구난방이다.
    • 양수(+)는 "내가 찾는 세로선이 여기 확실히 있다!"는 강한 확신이지만, 음수(-)는 "내가 찾는 패턴이랑 완전 반대되는데?"라는 뜻이다. AI 입장에서는 음수는 쓸모없는 쓰레기 데이터에 불과하다.
  2. ReLU 물감 붓기 (비선형성 부여):
    • 뽑혀 나온 쌩얼 특성 맵 위에 ReLU (0 이하는 무조건 0으로 뭉개고, 양수는 그대로 살리는 함수)라는 활성화 함수를 촥 들이붓는다.
    • 음수(-40)였던 잡음(Noise) 픽셀들이 싹 다 새까만 색(0)으로 죽어버린다.
    • 오직 필터와 찰떡같이 반응했던 강력한 양수(150)들, 즉 '진짜 확실한 특징(테두리)' 픽셀들만 하얗게 번쩍번쩍 살아남아, 극도의 대비를 이루는 완벽한 **액티베이션 맵(Activation Map)**으로 최종 진화한다. (이때부터 맵은 선형을 벗어나 인간 뇌처럼 복잡한 비선형의 지능을 갖게 된다.)

📢 섹션 요약 비유: 금속 탐지기(필터)로 훑어서 나온 1차 지도(쌩얼 특성 맵)에는 "진짜 금화 100%" 신호뿐만 아니라 "콜라 캔 알루미늄 -40%" 같은 쓰레기 신호도 지저분하게 찍혀 있습니다. 여기에 ReLU라는 강력한 필터 안경(활성화 함수)을 끼고 지도를 다시 봅니다. 쓰레기 마이너스 신호들은 눈앞에서 까맣게 다 지워져 버리고(0), 오직 번쩍이는 진짜 황금(특징) 위치만 뚜렷하게 남는 눈부신 액티베이션 맵이 완성되는 통쾌한 노이즈 제거 과정입니다.

Ⅲ. 층(Layer)이 깊어질수록 벌어지는 마법

초반엔 껍데기(선)만 보다가, 뒤로 갈수록 본질(개념)을 깨닫는다.

  1. 얕은 층 (Low-level Features):
    • CNN의 첫 1번, 2번 층에서 뽑혀 나온 특성 맵들을 사람이 화면에 띄워보면 놀랍게도 이해할 수 있다.
    • 원본 사진에서 단순히 모서리 테두리(Edge), 색깔의 대비, 단순한 선 같은 원초적인 기하학적 흔적만 추출되어 있기 때문이다. (마치 스케치 앱 필터를 먹인 사진처럼 보인다.)
  2. 깊은 층 (High-level Features):
    • 층이 10개, 50개, 100개로 미친 듯이 깊어진 곳(네트워크 뒷단)의 특성 맵을 모니터에 띄워보면 사람은 경악한다. 그냥 모자이크가 깨진 의미 없는 잿빛 블록 덩어리로만 보인다.
    • 하지만 AI에게 이 깊은 층의 맵은 "고양이의 눈", "자동차의 타이어", "사람의 코" 같은 고도로 추상화된 핵심 의미(Concept) 덩어리다.
    • 앞 층에서 찾은 얇은 '선'들을 겹겹이 뭉치고 조합해서 뒷단에서는 '형태와 의미'라는 차원 높은 지능(Representation)으로 응축해 낸 결과물이다.

📢 섹션 요약 비유: 유치원생(1번 층)이 강아지 사진을 묘사한 종이(특성 맵)에는 "까만 동그라미 두 개랑 세모가 있어요"라고 눈에 보이는 선(Low-level) 그대로 그려져 있습니다. 하지만 위대한 시인(100번 층)이 강아지를 묘사한 종이에는 사진 그대로의 모습은 하나도 없고, "충성스러움, 복슬복슬한 온기, 주인을 기다리는 눈동자"라는 형태를 초월한 본질적 개념(High-level)만 응축된 단어 덩어리로 쓰여 있습니다. CNN은 층이 깊어질수록 픽셀의 껍데기를 버리고 영혼(의미)을 추출해 내는 고도의 추상화 기계입니다.