MobileNet 기반 DeepLabv3+의 경량화 방법
Lightweighting Method for DeepLabv3+ Based on MobileNet
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 자율주행, 의료 영상 분석, 감시 기술 등의 발전으로 실시간 영상 분할 기술의 수요가 증가하고 있다. 이에 따라 실시간 영상 분할 방법의연구가 활발히 진행되고 있으며, 심층 학습 기반 영상 분할 방법이 높은 성능 지표를 보이고 있다. 하지만 심층 학습에 사용되는 인공 신경망의복잡한 구조와 막대한 연산량 및 매개변수 등으로 자원이 제한된 임베디드 플랫폼 등에 적용하기에는 많은 제약이 따른다. 이를 해결하기 위해MobileNet과 같은 경량 분류 신경망을 영상 분할 신경망의 백본 신경망으로 사용하는 등 다양한 시도가 이어지고 있으나, 영상 분할 신경망의매개변수와 연산량은 여전히 많기 때문에 자원이 제한된 환경에 적용하기에는 어려움이 있다. 따라서 경량 분류 신경망을 사용하더라도 추가적인경량화가 필요한 실정이다. 이에 본 논문에서는 MobileNetV3-Large의 마지막 확장 계층을 생략하고 DeepLabv3+의 백본 신경망으로 사용하여DeepLabv3+를 경량화하는 방법을 제안한다. 제안하는 방법의 활용성을 입증하기 위해 MobileNetV3-Large를 백본 신경망으로 사용한 구조,MobileNetV3-Small을 사용한 구조, MobileNetV3-Small의 마지막 확장 계층을 생략한 구조, MobileNetV3-Large의 하이퍼 파라미터를 통해 경량화한 구조들에 대하여 매개변수의 수와 성능을 비교하였다. 가장 높은 성능을 보인 MobileNetV3-Large를 백본 신경망으로 사용한 구조와 비교했을때, 제안하는 방법이 적용된 구조는 2.7%p의 성능 하락만으로 매개변수를 약 52% 절감할 수 있었다. 따라서 제안하는 방법은 성능과 신경망 크기간의 균형을 효과적으로 달성하여, 자원이 제한된 환경에서 실용적으로 활용될 수 있음을 확인하였다.
Abstract
Recent advances in autonomous driving, medical image analysis, and surveillance technologies have led to an increasing demand forreal-time image segmentation. Consequently, research on real-time segmentation methods has been actively pursued, with deeplearning-based approaches demonstrating high performance metrics. However, the complex architectures, massive computational cost,and large parameter counts inherent in artificial neural networks impose significant constraints when deploying them on resource-limitedembedded platforms. To address this issue, various attempts have been made, such as employing lightweight classification networks likeMobileNet as backbone networks for segmentation models. Nevertheless, segmentation networks still involve substantial computationaloverhead and parameter size, making them difficult to apply in resource-constrained environments. Therefore, even when lightweightclassification networks are used, further compression is necessary. In this paper, we propose a lightweight approach for DeepLabv3+which MobileNetV3-Large without the last expansion layer as the backbone network. To demonstrate the effectiveness of the proposedmethod, we compare it with several DeepLabv3+ architectures whose backbone networks are MobileNetV3-Large, MobileNetV3-Small,MobileNetV3-Small without the last expansion layer, or MobileNetV3-Large compressed by hyperparameter tuning. Compared to the bestperforming architecture with MobileNetV3-Large as the backbone network, the structure with the proposed method can reduce theparameters by about 52% with only a 2.7%p performance decrease. Therefore, the proposed method effectively achieves the trade-offbetween performance and neural network size, which confirms that it can be practically utilized in resource-constrained environments.