선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 GPU를 활용하여 지능형 CCTV 관제시스템에서의 보행자 검출 속도를 개선하는 것에 관한 것이다. 보행자 검출에 널리 적용되고 있는 Adaboost 와 SVM 알고리즘을 CPU와 GPU 상에서 구현하여 검출 처리 속도를 비교한다.
제안 방법
- 표 1은 보행자와 얼굴 검출에 활용되고 있는 Adaboost 알고리즘이다. 3 단계에서 구한 약분류기들을 조합하여 4 단계에서 강분류기를 형성하여 특정 영역에 대한 유사 Haar 특징점 또는 HOG 특징점을 비교하여 보행자를 검출한다.
- 그래픽병렬처리 SoC 테크라 K1을 탑재한 임베디드 시스템를 활용하여 Adaboost 알고리즘과 SVM 알고리즘에 대하여 보행자 검출 처리 속도를 비교 분석 하였다. GPGPU로 CUDA 6.0을 사용하여 객체 검출 알고리즘을 컴파일하였다. 실험에 사용한 동영상의 해상도는 720*480 이다.
- 그래픽병렬처리 SoC 테크라 K1을 탑재한 임베디드 시스템를 활용하여 Adaboost 알고리즘과 SVM 알고리즘에 대하여 보행자 검출 처리 속도를 비교 분석 하였다. GPGPU로 CUDA 6.
- 본 논문에서는 GPU를 활용하여 지능형 CCTV 관제시스템에서의 보행자 검출 속도를 개선하는 것에 관한 것이다. 보행자 검출에 널리 적용되고 있는 Adaboost 와 SVM 알고리즘을 CPU와 GPU 상에서 구현하여 검출 처리 속도를 비교한다. 엔비디아사 (NVIDIA)의 CUDA를 활용하여 각 알고리즘 GPU 상에서 구현하여 두 알고리즘을 처리 속도를 CPU와 비교하였다.
- 본 논문에서는 CPU, GPU 그리고 ISP를 포함하고 있는 테그라 K1 프로세서 임베디드시스템으로 영상 기반 객체 검출 알고리즘의 처리 속도를 비교하였다. 비교 결과 GPU를 활용한 객체 검출 성능이 약 4 배 정도 향상된 것을 확인할 수 있었다.
- 엔비디아사의 테그라 K1(Tegra K1) SoC를 사용한 모바일 임베디드시스템을 활용하여 영상기반 객체 검출 시스템을 구현한다. 테그라 K1은 192개의 GPU 코어를 가지고 있어 그래픽 처리 기능이 우수하고 전력 효율이 높다.
대상 데이터
- 0을 사용하여 객체 검출 알고리즘을 컴파일하였다. 실험에 사용한 동영상의 해상도는 720*480 이다.
데이터처리
- 보행자 검출에 널리 적용되고 있는 Adaboost 와 SVM 알고리즘을 CPU와 GPU 상에서 구현하여 검출 처리 속도를 비교한다. 엔비디아사 (NVIDIA)의 CUDA를 활용하여 각 알고리즘 GPU 상에서 구현하여 두 알고리즘을 처리 속도를 CPU와 비교하였다. Adaboost 알고리즘이 SVM 알고리즘에 비하여 다소 처리 속도가 빠르고, GPU를 활용한 검출이 CPU에 비하여 4 배 정도 빠른 것을 확인하였다.
이론/모형
- 본 논문에서 영상기반 객체 검출을 위하여 NVIDIA의 테그라 K1 SoC를 사용하기 때문에 NVIDIA의 전용 플랫폼인 CUDA를 활용한다. CUDA는 GPU에서 수행하는 알고리즘을 C 언어 등의 산업 표준 언어를 사용하여 작성 및 개발할 수 있도록 하는 GPGPU 기술이다.
성능/효과
- 엔비디아사 (NVIDIA)의 CUDA를 활용하여 각 알고리즘 GPU 상에서 구현하여 두 알고리즘을 처리 속도를 CPU와 비교하였다. Adaboost 알고리즘이 SVM 알고리즘에 비하여 다소 처리 속도가 빠르고, GPU를 활용한 검출이 CPU에 비하여 4 배 정도 빠른 것을 확인하였다.
- 2 G의 화소를 처리할 수 있다. 각 ISP 코어는 공간 변수 노이즈 감소, 다중 불량 화소 수정, 다운 스케일링, 색공간 변환기, 영역 프로세서 등의 기능을 통하여 화질을 보정하고 잡음이 적은 영상을 제공함으로써 영상을 기반으로 하는 영상처리 및 컴퓨터 비전 알고리즘의 성능을 향상시킬 수 있다. ISP는 최대 4,096 개의 초점을 사용하여 자동 포커스, 포커스 타임, 저조명 포커스 등의 포커스 기능을 제공한다.
- 그림 5와 6은 각각 유사 Haar 특징점을 이용한 Adaboost 알고리즘과 HoG 특징점을 이용한 SVM 알고리즘에 대하여 CPU와 GPU를 이용하여 검출한 결과이다. 각 알고리즘을 CPU 또는 GPU를 이용하여 구현한 보행자 검출 결과, 보행자를 대체로 잘 검출하는 것을 확인할 수 있다.
- 두 특징점을 활용한 검출 처리 속도를 비교하면 CPU 에 비하여 GPU가 약 4배 정도 빠르게 처리하는 것을 확인할 수 있다. 그리고, 유사 Haar 특징점과 HOG 특징점을 이용한 검출 속도를 비교하면 Haar 특징점을 이용한 Adaboost 알고리즘이 HOG 특징점을 이용한 SVM에 비하여 1 프레임 정도 빠르게 처리할 수있음을 확인할 수 있다.
- 긴 점선과 실선은 유사 Haar 특징점에 대하여 CPU와 GPU를 활용하여 검출 처리하는 속도를 나타내고, 일점 쇄선과 짧은 점선은 HOG 특징점에 대하여 CPU와 GPU로 처리하는 속도를 나타낸다. 두 특징점을 활용한 검출 처리 속도를 비교하면 CPU 에 비하여 GPU가 약 4배 정도 빠르게 처리하는 것을 확인할 수 있다. 그리고, 유사 Haar 특징점과 HOG 특징점을 이용한 검출 속도를 비교하면 Haar 특징점을 이용한 Adaboost 알고리즘이 HOG 특징점을 이용한 SVM에 비하여 1 프레임 정도 빠르게 처리할 수있음을 확인할 수 있다.
- 본 논문에서는 CPU, GPU 그리고 ISP를 포함하고 있는 테그라 K1 프로세서 임베디드시스템으로 영상 기반 객체 검출 알고리즘의 처리 속도를 비교하였다. 비교 결과 GPU를 활용한 객체 검출 성능이 약 4 배 정도 향상된 것을 확인할 수 있었다. 향후 Deep 학습 알고리즘을 GPU로 구현하고 처리 속도를 비교 검토하고자 한다.
후속연구
- 비교 결과 GPU를 활용한 객체 검출 성능이 약 4 배 정도 향상된 것을 확인할 수 있었다. 향후 Deep 학습 알고리즘을 GPU로 구현하고 처리 속도를 비교 검토하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.