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.
제안 방법
- 본 논문의 실험을 위해 보드 내의 Android OS 환경에서의 Tensorflowlite 프레임워크를 이용하여 영상 분류 실험을 하였다.
- 또한, 별도의 재학습(re-training)을 적용하지 않았다. 각 시험을 위해 중간 순위(Rank) 값을 조절하면서 압축율을 조정하였고, 해당 실험의 Test 는 약 5 배(Test 1/2)와 10 배(Test 3/4) 압축을 목표로 분해 기법을 적용하였다. ImageNet 데이터의 실험결과는 모든 시험에서 3%미만의 성능 감소를 보였으며, 추론 속도 측면에서는 원본 모델 대비 약 2 배 향상됨을 보여주었다.
- 본 논문에서는 VGG-16 과 MobileNetV2 의 모델에 가지치기 및 행렬 분해 기법을 적용하여 실제 분류 성능과 보드에서의 추론속도를 비교하였다. 행렬 분해 기법은 파라미터 수를 줄여줄 뿐만 아니라 실제 보드에서의 추론 속도 향상의 효과를 보여주었으며, 실제 분류성능도 1.
- 가지치기 기법은 기존 신경망 모델에서 가지고 있는 가중치 중에서 비교적 작은 값들에 대한 가중치들을 불필요하다고 간주하여 해당 가중치 값을 0 으로 만드는 기술이다 [1]. 본 논문에서는 각 층에서 목표로 하는 희소도(sparsity)에 맞는 임계 값을 구하고 그 해당 값보다 낮은 값을 갖는 가중치들을 모두 0 으로 한다.
- 대표적인 경량 딥러닝 알고리즘으로는 가중치와 노드의 연결을 끊는 가지치기 기법과 각각의 가중치의 비트 값을 줄이는 양자화 기법, 그리고 한 층에서 가지고 있는 가중치 행렬을 분해하여 가중치 파라미터 수를 줄이는 행렬 분해기법 등이 있다. 본 논문에서는 최근 딥러닝 지원 맞춤형 칩인 QCS605 를 내장한 임베디드 보드에서 카메라로 입력한 영상에 대한 원 CNN 모델과 경량 딥러닝 알고리즘을 적용한 압축모델의 이미지 분류에 대한 추론(inference) 속도 및 분류 성능을 비교하였다.
- 본 논문에서의 실험은 VGG-16 과 MobileNetv2 의 모델과 해당 모델에 경량 딥러닝 알고리즘을 적용한 모델에 대하여 ImageNet 테스트 데이터로 측정하는 분류 성능 (Top-5 정확도)과 실제 보드에서의 카메라로 입력 받는 영상에 대한 모델 추론 속도를 비교하였다.
- 표 3 은 VGG-16 에서의 경량화 알고리즘 중 하나인 행렬 분해기법을 적용한 실험결과를 나타낸 것이다. 본 논문에서의 행렬 분해 기법은 완전연결층에서는 2 개의 행렬로 분해하는 낮은 순위 근사 기법을 적용하였고, 컨볼루션 층에는 N 개의 행렬로 분해하는 CP 분해기법을 적용하였다. 또한, 별도의 재학습(re-training)을 적용하지 않았다.
- 본 연구에서는 학습된 인공신경망 모델을 QCS605 SoC를 이용한 임베디드 보드에서 포팅하고 성능 검증 실험을 진향하였다. 그림 1 은 해당 QCS 605 칩과 칩을 내장한 임베디드 보드 예시이다.
- 본 논문의 실험을 위해 보드 내의 Android OS 환경에서의 Tensorflowlite 프레임워크를 이용하여 영상 분류 실험을 하였다. 실험은 보드 내의 카메라에 입력되는 영상을 인공신경망 모델인 tflite 모델로 추론하여 결과창에 상위 3 개의 분류에 대한 확률을 표시하도록 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.