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
저자
발행사항
서울 : 세종대학교 대학원, 2022
학위논문사항
학위논문(석사)- 세종대학교 대학원 : 지능기전공학과 2022. 2
발행연도
2022
작성언어
한국어
주제어
DDC
006.32 판사항(22)
발행국(도시)
서울
형태사항
61p. : 삽도 ; 26cm
일반주기명
세종대학교 논문은 저작권에 의해 보호받습니다.
Compression and Acceleration of DNN-based YOLOv4 Object Detector for Real-Time Edge Computing
지도교수:서재규
참고문헌: p.53~59
UCI식별코드
I804:11042-200000596980
소장기관
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.
더보기Deep 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.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)