초록 ▼

□ 연구개요
사물인터넷과 자율주행 자동차의 발전으로 다수의 임베디드 장치에서 딥 러닝 라이브러리 기반 응용 프로그램들이 수행되고 있다. 하지만 임베디드 장치는 제한된 하드웨어 자원을 가지므로 기존 서버에서 사용되던 딥 러닝 라이브러리의 최적화가 필요하다. 본 연구는 자원이 제한된 임베디드 장치에서의 딥 러닝 라이브러리를 사용한 추론의 최적화를 수행하였다. 이를 위해 임베디드 시스템에서 사용 가능한 딥러닝 프레임워크 및 라이브러리를 분석하였다. 특히, 임베디드 장치의 GPU와 같은 가속기를 통해 수행과 추론 연산 최적화를 통한

□ 연구개요
사물인터넷과 자율주행 자동차의 발전으로 다수의 임베디드 장치에서 딥 러닝 라이브러리 기반 응용 프로그램들이 수행되고 있다. 하지만 임베디드 장치는 제한된 하드웨어 자원을 가지므로 기존 서버에서 사용되던 딥 러닝 라이브러리의 최적화가 필요하다. 본 연구는 자원이 제한된 임베디드 장치에서의 딥 러닝 라이브러리를 사용한 추론의 최적화를 수행하였다. 이를 위해 임베디드 시스템에서 사용 가능한 딥러닝 프레임워크 및 라이브러리를 분석하였다. 특히, 임베디드 장치의 GPU와 같은 가속기를 통해 수행과 추론 연산 최적화를 통한 에너지 소모와 실행 속도 최적화를 목표로 한다.

□ 연구 목표대비
연구결과
본 연구는 임베디드 시스템을 위한 경량 딥 러닝 라이브러리의 에너지 소모 분석 및 최적화를 목표로, 1) 딥 러닝 라이브러리를 임베디드 시스템에 적용, 2) 딥 러닝 라이브러리의 소모 에너지 분석, 3) 임베디드 보드에서 딥 러닝 라이브러리 경량화를 통한 소모 에너지 절감을 진행하였다.
1 단계에서는 현재 여러 환경에서 사용 중인 TensorFlow, Caffe, Caffe2 등과 같은 딥 러닝 라이브러리를 임베디드 시스템에 적용해 사용 가능한 프레임워크를 분석하였다. 2 단계에서는 앞 단계에서 분석한 프레임워크들에서 물체 인식 딥 러닝 알고리즘 수행에서의 소모 전력을 측정하고, 에너지를 많이 사용하는 부분을 분석해 절감 방법에 관해 연구하였다. 3 단계에서는 이전의 분석에 대해 딥 러닝 라이브러리의 최적화를 진행하였다. 각 단계를 통해 기존의 딥 러닝 라이브러리의 수행 최적화를 진행해 기존 성능 대비 약 50% 이상의 성능 향상을 달성하고, 물체 탐지 정확도 또한 약 5% 이내의 차이를 보였다. 이러한 연구 결과를 통해 자원이 제한된 임베디드 시스템에서도 딥 러닝 라이브러리를 사용하는 물체 인식 응용에 대한 가능성을 보였다.

□ 연구개발결과의 중요성
본 연구에서 개발된 딥 러닝 라이브러리 경량 모델을 통해 모바일 및 임베디드 장치에서의 물체 인식의 성능 개선을 가능하게 한다. 해당 경량 딥 러닝 모델을 통해 물체 인식에 사용되는 하드웨어 컴퓨팅 파워와 소모 에너지 절감이 가능하다. 특히 기존 서버에서 수행되던 추론 작업을 장치에서 수행할 수 있으므로 사용자에게 좀 더 빠른 실시간 응답을 제공하고, 서버로 데이터를 보내는 과정을 줄임으로써 개인정보를 보호할 수 있다. 향후 사물 인터넷, 센서 등과 같은 자원이 제한된 소형 임베디드 시스템에서도 딥 러닝을 적용한 물체 인식의 사용이 증가할 것으로 생각된다.
따라서 본 연구의 결과는 이러한 시스템에 효과적으로 사용할 수 있다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구수행내용 및 연구결과 ... 4
• 1) 딥 러닝 라이브러리 분석 및 적용 ... 5
• 2) 딥 러닝 라이브러리의 에너지 측정 및 분석 ... 7
• 3) 하드웨어 자원을 이용한 병렬처리 및 딥 러닝 물체 탐지 모델 최적화 ... 7
• 3. 연구개발결과의 중요성 ... 8
• 4. 참고문헌 ... 8
• 5. 연구성과 ... 11
• 끝페이지 ... 12