[논문]의미론적 분할을 위한 범용 온디바이스 AI 프레임워크

홍준영; 이경재

doi:10.13067/jkiecs.2024.19.5.903

초록
AI-Helper

복잡한 의미론적 분할 작업은 주로 GPU, TPU와 같은 고성능 그래픽 하드웨어를 갖춘 서버 환경에서 수행된다. 이러한 클라우드 기반 AI 추론 방식은 처리된 결과를 클라이언트에 전송하는 방식으로 작동한다. 그러나 이 방식은 네트워크 통신에 의존적이며, 사용자 데이터를 서버로 전송하는 과정에서 개인정보 침해 우려가 존재한다. 따라서 본 논문에서는 사용자 접근성이 높은 모바일 환경에서 동작할 수 있는 의미론적 분할을 위한 범용 온디바이스 AI 프레임워크를 제안한다. 제안된 프레임워크는 다양한 의미론적 분할 모델을 지원하며, 모델 변환과 효율적인 메모리 관리 기법을 통해 모바일 환경에서 직접 추론을 수행할 수 있게 한다. 본 연구의 접근 방식을 통해 클라우드 컴퓨팅 환경이 아닌 IoT 장치, 자율 주행 차량, 그리고 산업용 로봇과 같이 자원이 제약된 환경에서도 의미론적 분할 알고리즘을 효과적으로 수행할 수 있을 것으로 기대된다. 이는 실시간 영상 처리, 개인정보 보호, 그리고 네트워크 독립적인 AI 응용 분야의 발전에 기여할 것으로 예상된다.

Abstract ▼ AI-Helper

Complex semantic segmentation tasks are primarily performed in server environments equipped with high-performance graphics hardware such as GPUs and TPUs. This cloud-based AI inference method operates by transmitting processed results to the client. However, this approach is dependent on network com...

Complex semantic segmentation tasks are primarily performed in server environments equipped with high-performance graphics hardware such as GPUs and TPUs. This cloud-based AI inference method operates by transmitting processed results to the client. However, this approach is dependent on network communication and raises concerns about privacy infringement during the process of transmitting user data to servers. Therefore, this paper proposes a Generalized On-Device Framework for Semantic Segmentation that can operate in mobile environments with high accessibility to people. This framework supports various semantic segmentation models and enables direct inference in mobile environments through model conversion and efficient memory management techniques. It is expected that this research approach will enable effective execution of semantic segmentation algorithms even in resource-constrained situations such as IoT devices, autonomous vehicles, and industrial robots, which are not cloud computing environments. This is expected to contribute to the advancement of real-time image processing, privacy protection, and network-independent AI application fields.

Keyword

표/그림 (4)

그림 그림 1. 애플리케이션 흐름도 Fig. 1 Application workflow
그림 그림 2. 후처리 알고리즘 Fig. 2 Post-processing algorithm
그림 그림 3. 색상 인코딩 & 디코딩 프로세스 Fig. 3 Color encoding & decoding process
그림 그림 4. 애플리케이션 결과 Fig. 4 Application result

참고문헌 (14)

A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury,？G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L.？Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito,？M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L.？Fang, J. Bai, and S. Chintala, "Pytorch: An imperative？style, high-performance deep learning library," Advances？in Neural Information Processing Systems, Vancouver,？Canada, 2019, pp. 8024-8035.？https://doi.org/10.48550/arXiv.1912.01703
tensorflow: The tensorflow project, available from https://github.com/tensorflow/tensorflow.
J. Long, E. Shelhamer, and T. Darrell, "Fully？convolutional networks for semantic segmentation,"？Proceedings of the IEEE Conference on Computer Vision？and Pattern Recognition, Boston, MA, USA, 2015, pp.？3431-3440.？https://doi.org/10.48550/arXiv.1411.4038
O. Ronneberger, P. Fischer, and T. Brox, "U-net:？Convolutional networks for biomedical image？segmentation," Medical Image Computing and？Computer-Assisted Intervention, Munich, Germany,？2015, pp. 234-241.？https://doi.org/10.48550/arXiv.1505.04597
L. C. Chen, G. Papandreou, I. Kokkinos, K. Murphy,？and A. L. Yuille, "DeepLab: Semantic Image？Segmentation with Deep Convolutional Nets, Atrous？Convolution, and Fully Connected CRFs," IEEE？Transactions on Pattern Analysis and Machine Intelligence,？vol. 40, no. 4, 2018, pp. 834-848.？https://doi.org/10.48550/arXiv.1606.00915

상세보기
J. Su and K. Kim, "COVID-19 Lung CT Image？Recognition," Journal of The KIECS, vol. 17, no.？3, 2022, pp. 529-536.？https://doi.org/10.13067/JKIECS.2022.17.3.529

원문보기 상세보기
Y. Liu, L. C. Li, J. X. Lu, M. Xu, and Y. Jeong,？"Research on Human Posture Recognition System Based？on The Object Detection Dataset," Journal of The？KIECS, vol. 17, no. 1, 2022, pp. 111-118.？https://doi.org/10.13067/JKIECS.2022.17.1.111

원문보기 상세보기
onnx: The onnx project, available from？https://github.com/onnx/onnx.
K. He, G. Gkioxari, P. Dollar, and R. Girshick,？"Mask R-CNN," Proceedings of the IEEE Conference on？Computer Vision and Pattern Recognition, Venice,？Italy, 2017, pp. 2961-2969.？https://doi.org/10.48550/arXiv.1703.06870
C. Yu, J. Wang, C. Peng, C. Gao, G. Yu, and N. Sang,？"BiSeNet: Bilateral Segmentation Network for Real-time？Semantic Segmentation," Proceedings of the European？Conference on Computer Vision, Munich, Germany, 2018,？pp. 325-341.？https://doi.org/10.48550/arXiv.1808.00897
C. Yu, C. Gao, J. Wang, G. Yu, C. Shen, and？N. Sang, "Bisenet v2: Bilateral network with？guided aggregation for real-time semantic？segmentation," International Journal of Computer？Vision, vol. 129, no. 11, 2021, pp. 3051-3068.？https://doi.org/10.48550/arXiv.2004.02147
B. Zhou, H. Zhao, X. Puig, T. Xiao, S. Fidler, A.？Barriuso, and A. Torralba, "Semantic understanding？of scenes through the ade20k dataset," International？Journal of Computer Vision, vol. 127, no. 3, 2019,？pp. 302-321.？https://doi.org/10.48550/arXiv.1608.05442

상세보기
T. Y. Lin, M. Maire, S. Belongie, J. Hays, P.？Perona, D. Ramanan, P. Dollar, and CL. Zitnick,？"Microsoft coco: Common objects in context,"？Proceedings of the European Conference on Computer？Vision, Zurich, Switzerland, 2014, pp. 740-755.？https://doi.org/10.48550/arXiv.1405.0312
L. C. Chen, Y. Zhu, G. Papandreou, F. Schroff,？and H. Adam, "Encoder-decoder with atrous？separable convolution for semantic image？segmentation," Proceedings of the European？Conference on Computer Vision, Munich, Germany,？2018, pp. 801-818.？https://doi.org/10.48550/arXiv.1802.02611

이 논문을 인용한 문헌

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 의미론적 분할을 위한 범용 온디바이스 AI 프레임워크
Generalized On-Device AI Framework for Semantic Segmentation 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (4)

표/그림 (4)

참고문헌 (14)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 의미론적 분할을 위한 범용 온디바이스 AI 프레임워크 Generalized On-Device AI Framework for Semantic Segmentation 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (4) 모든 표/그림 보기

표/그림 (4) 슬라이드로 보기

참고문헌 (14)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 의미론적 분할을 위한 범용 온디바이스 AI 프레임워크
Generalized On-Device AI Framework for Semantic Segmentation 원문보기

초록
AI-Helper

표/그림 (4)

표/그림 (4)

활용도 Top5 논문