임베디드용 저해상도 적외선 영상 딥컨볼루션신경망
Low Resolution Infrared Image Deep Convolution Neural Network for Embedded System
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문은 저해상도 적외선영상을 사양이 낮은 임베디드 시스템에서 추론 가능하도록 강화된VGG 스타일과 Global Average Pooling 조합으로 정확도를 증가시키면서 연산량을 최소화하는 딥러닝 컨볼루션 신경망을 이용한 저해상도 적외선 표적 분류 방법을 제안한다. 제안한 알고리즘은OKTAL-SE로 생성한 합성영상 클래스 9개 3,723,328개를 분류하였다. 최초 임베디드 추론 가능하도록 파라메터 수가 최소화된 최대풀링 레이어 기준 입력단 8개와 출력단 8개 조합에 비해 강화된VGG 스타일을 적용한 입력단 4개와 출력단 16개 필터수 조합을 이용하여 연산량은 약 34% 감소시켰으며, 정확도는 약 2.4% 증가시켜 최종 정확도 96.1%을 획득하였다. 추가로 C 코드로 포팅하여 수행시간을 확인하였으며, 줄어든 연산량 만큼 수행 시간이 약 32% 줄어든 것을 확인할 수 있었다.
Abstract
In this paper, we propose reinforced VGG style network structure for low performance embedded system to classify low resolution infrared image. The combination of reinforced VGG style network structure and global average pooling makes lower computational complexity and higher accuracy. The proposed method classify the synthesize image which have 9 class 3,723,328ea images made from OKTAL-SE tool. The reinforced VGG style network structure composed of 4 filters on input and 16 filters on output from max pooling layer shows about 34% lower computational complexity and about 2.4% higher accuracy then the first parameter minimized network structure made for embedded system composed of 8 filters on input and 8 filters on output from max pooling layer. Finally we get 96.1% accuracy model. Additionally we confirmed the about 31% lower inference lead time in ported C code.
참고문헌 (18)
- D. A. Scribner, "Infrared focal plane array technology", Proc. IEEE, 79(1), pp.66~85 (1991)
- Alex Krizhevsky, "ImageNet Classification with Deep Convolutional Neural Networks", Communications of the ACM, 60(6), pp.84~90 (2017)
- Matthew D. Zeiler, "Visualizing and Understanding Convolutional Networks", European Conference on Computer Vision, pp.818~833 (2014)
- Karen Simonyan, "Very Deep Convolutional Networks for Large-Scale Image Recognition", International Conference on Learning Representations (2015)
- Christian Szegedy, "Going Deeper with Convolutions", IEEE Conference on Computer Vision and Pattern Recognition (2015)
- Kaiming He, "Deep Residual Learning for Image Recognition", IEEE Conference on Computer Vision and Pattern Recognition, 1, pp.770~778 (2016)
- Gao Huang, "Computer Vision and Pattern Recognition" (2018), Machine Learning
- Andrew G. Howard, "MobileNets : Efficient Convolutional Neural Networks for Mobile Vision Applications", Computer Vision and Pattern Recognition (2017)
- Mark Sandler, "MobileNetV2 : Inverted Residuals and Linear Bottlenecks", The IEEE Conference on Computer Vision and Pattern Recognition, pp.4510~4520 (2018)
- Xiangyu Zhang, "ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile", Computer Vision and Pattern Recognition (2017)
- Antoine d’Acremont, "CNN-Based Target Recognition and Identification for Infrared Imaging in Defense Systems", Multidisciplinary Digital Publishing Institute, 19(9) (2019)
- Sungho Kim, "Infrared Variation Optimized Deep Convolutional Neural Network for Robust Automatic Ground Target Recognition", IEEE Conference on Computer Vision and Pattern Recognition Workshops (2017)
- Jisoo Park, "CNN-Based Person Detection Using Infrared Images for Night-Time Intrusion Warning Systems", IEEE Conference on Computer Vision and Pattern Recognition Workshops (2019)
- Aparna Akula, "Deep Learning Approach for Human Action Recognition in Infrared Images", Cognitive Systems Research, 80, pp.146~154 (2018)
- 곽필원, "자동 표적 인식을 위한 이종 데이터 간 심층 전이 학습", 제어.로봇.시스템학회 논문지, 24(10), pp.954~961 (2018), 제어·로봇·시스템학회[DOI]
- 류준환, "데이터 기반 영역 제안 및 심층 학습 분류 네트워크를 이용한 소형 적외선 드론 검출", 제어.로봇.시스템학회 논문지, 24(12), pp.1146~1151 (2018), 제어·로봇·시스템학회[DOI]
- 양성목, "열화상을 사용한 인체감지 시스템 신뢰성 향상 연구", 한국정보기술학회논문지, 18(1), pp.35~40 (2020), 한국정보기술학회[DOI]
- 오원식, "딥러닝(CNN)기반 저해상도 IR이미지 분석을 통한 작업자 인식", 한국가스학회지, 22(6), pp.8~15 (2018), 한국가스학회[DOI]