실시간 에지 컴퓨팅을 위한 DNN 기반 YOLOv4 물체 검출기 간소화 및 고속화 :Compression and Acceleration of DNN-based YOLOv4 Object Detector for Real-Time Edge Computing

위성민

추천

검색

자료유형: 학위논문

저자정보: 위성민 (세종대학교, 세종대학교 대학원)

지도교수: 서재규

발행연도: 2022

저작권: 세종대학교 논문은 저작권에 의해 보호받습니다.

이용수25

이 논문의 연구 히스토리 (3)

2022

실시간 에지 컴퓨팅을 위한 DNN 기반 YOLOv4 물체 검출기 간소화 및 고속화

위성민 지능기학과 2022.01 학위논문

2021

임베디드 시스템 기반 실시간 물체 검출을 위한 YOLOv4 최적화

위성민 , 최경택 , 정호기 외 2명 한국자동차공학회 추계학술대회 및 전시회 2021.11 학술대회자료

임베디드 시스템 기반 실시간 물체 검출을 위한 YOLOv3 최적화

위성민 , 최경택 , 정호기 외 2명 한국자동차공학회 춘계학술대회 2021.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

Deep Neural Network(DNN) 기반 물체 검출은 다양한 분야에서 널리 사용되고 있는 중요한 연구 주제이다. 딥러닝 기반 물체 검출 방법은 우수한 검출 성능을 보인다는 장점을 가지는 반면, 막대한 많은 컴퓨팅 리소스를 필요로 하기 때문에 에지 컴퓨팅을 위한 임베디드 시스템에서 실시간으로 동작되기 어렵다는 한계를 갖는다. 이러한 한계를 극복하기 위해 DNN에 사용되는 네트워크를 간소화하고 고속화하는 많은 연구들이 진행되고 있다. 채널 가지치기는 Convolutional Neural Network(CNN)에서 사용되는 필터의 수를 감소시켜 네트워크를 간소화하고 고속화하는 방법이다. 채널 가지치기를 할 때 CNN에 포함된 잔차 구조를 중요하게 고려해야 하지만 이에 대한 연구가 많지 않은 상황이다. 더불어 대부분의 연구들이 PC에 장착된 GPU에서 수행되었기 때문에 실시간 에지 컴퓨팅을 위한 임베디드 시스템에서의 효과를 확인하기 어려운 상황이다. 따라서 본 논문은 실시간 에지 컴퓨팅을 위한 임베디드 시스템 상황에서 잔차 구조를 고려하여 효과적으로 채널 가지치기를 수행하는 방법을 제안한다. 잔차 구조를 고려한 5가지 채널 가지치기 방법을 임베디드 시스템에 적용하였으며, 이들 중 가장 효율적인 방법을 선택하는 과정을 수행하였다. 추가적으로 물체 검출기를 임베디드 시스템에서 효율적으로 동작 시키기 위해 post-training quantization(PTQ)과 quantization-aware training(QAT)를 통해 네트워크 양자화를 수행하였다. 마지막으로 입력 영상의 크기와 가지치기 비율의 적절한 조합을 검색하여 제한된 연산 조건에서 최적의 검출 성능을 보이도록 네트워크 최적화를 수행하였다. 제안된 물체 검출기 최적화 방법은 대표적인 1단계 물체 검출기인 YOLOv4에 적용되었으며, 최적화 결과는 Qualcomm QCS605 SoC의 DSP에 임베딩 되었다. 실험 결과, 제안된 방법을 통해 최적화 전과 유사한 검출 성능을 보이면서도 임베디드 시스템에서 영상 당 100ms 이하로 동작하는 실시간 에지 컴퓨팅에 사용 가능한 물체 검출기를 확보할 수 있음을 확인하였다.

Deep Neural Network (DNN)-based object detection is an important and widely researched topic in various fields. While deep learning-based object detection methods have the advantage of showing excellent detection performance, they are difficult to operate in real-time embedded systems for edge computing because they require a huge amount of computing resources. To overcome these limitations, many studies have been conducted to compress and accelerate the DNN-based object detection methods. Channel pruning is a method of compressing and accelerating DNNs by reducing the number of filters used in Convolutional Neural Network (CNN). Although the residual structure included in CNN should be carefully handled during the channel pruning, there have not been many studies on this. In addition, since most of the studies have been conducted on GPUs installed in PCs, it is difficult to confirm the effectiveness of the channel pruning for real-time embedded systems. Therefore, this paper proposes a method of effectively performing channel pruning considering the residual structure using an embedded system for real-time edge computing. Five channel pruning methods specialized for the residual structure were applied, and the process of selecting the most efficient method was performed. Additionally, network quantization was performed through post-training quantization(PTQ) and quantization-aware training(QAT) to efficiently operate the DNN-based object detector in embedded systems. Finally, an appropriate combination of input image size and pruning ratio is examined under limited computational conditions. The proposed method was applied to YOLOv4, a representative one-stage object detector, and the optimization result was embedded in the DSP of Qualcomm QCS605 SoC. As a result of the experiment, the proposed method confirmed that it is possible to reliably embed the DNN-based object detector by showing a similar detection performance as before optimization and an operating time less than 100ms per image.

#물체 검출 #Deep Neural Network(DNN) #에지 컴퓨팅 #가지치기 #잔차 블록 #임베디드 시스템

제 1장. 서론 1
제 2장. 관련 연구 4
2.1 물체 검출 4
2.2 네트워크 간소화 6
제 3장. 검출기 8
제 4장. 가지치기 11
4.1 배치 정규화 계층과 희소성 학습 11
4.2 잔차 구조를 고려한 채널 가지치기 13
4.2.1 SKIP 방법 16
4.2.2 Head-First 방법 17
4.2.3 OR 방법 19
4.2.4 Slice and Concatenation 방법 20
4.2.5 Gather 방법 21
4.2.6 Concatenaton-Convolution 방법 23
4.3 미세조정 학습 25
제 5장. 배치 정규화 접힘 26
제 6장. 양자화 28
6.1 Post-Training Quantization 28
6.2 Quantization-Aware Training 28
제 7장. 입력 영상 크기와 가지치기 비율 30
제 8장. 임베딩 31
제 9장. 실험 34
9.1 실험 환경 34
9.2 데이터셋 35
9.2.1 Visdrone2019-Det 35
9.2.2 Surveillance Camera Object Detection 37
9.3 검출 성능 평가지표 39
9.4 양자화 실험 41
9.5 가지치기 실험 42
9.5.1 희소성 학습 실험 42
9.5.2 잔차 구조를 고려한 채널 가지치기 45
9.6 입력 영상 크기와 가지치기 비율에 따른 검출 성능 50
제 10장. 결론 52
참고문헌 53
Abstract 60

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)