지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 류은석
- 발행연도
- 2022
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 딥러닝 모델을 모바일 기기에서 사용할 수 있도록 하는 경량화에 대한 요구가 증가하고 있다. 경량화를 위한 다양한 알고리즘들이 제안되었고, 대부분 높은 압축 성능을 나타냈다. 하지만 기존의 경량화 방법들은 학습에 사용한 데이터 세트가 필요한 문제점이나 연산복잡도가 높아 모바일 기기에서는 압축할 수 없다는 문제점 등 다양한 문제점이 존재한다. 본 논문은 기존의 압축방법들의 문제점을 지적하고 실제로 모바일 기기에서 활용 가능한 압축방법을 제안한다.
비디오 코덱은 이미 다양한 기기에서 최적화되어 모바일 기기에서도 4K 이상의 영상을 촬영하고 재생할 수 있다. 이미지와 비디오를 압축하는 코덱들은 공통으로 주파수 영역으로 변환하는 연산을 수행하고 일부 주파수를 생략하는 방법을 통해 압축을 수행한다. 따라서 본 논문은 해당 변환을 통한 손실 압축이 딥러닝 모델의 가중치에 적용 가능한지 실험하고 최종적으로 비디오 인코더를 통한 딥러닝 모델 압축방법을 제안한다. 또한, 본 논문은 유사한 압축방법과의 성능 비교 실험을 통해 제안하는 방법의 우수성을 검증했다.
비디오 코덱은 이미 다양한 기기에서 최적화되어 모바일 기기에서도 4K 이상의 영상을 촬영하고 재생할 수 있다. 이미지와 비디오를 압축하는 코덱들은 공통으로 주파수 영역으로 변환하는 연산을 수행하고 일부 주파수를 생략하는 방법을 통해 압축을 수행한다. 따라서 본 논문은 해당 변환을 통한 손실 압축이 딥러닝 모델의 가중치에 적용 가능한지 실험하고 최종적으로 비디오 인코더를 통한 딥러닝 모델 압축방법을 제안한다. 또한, 본 논문은 유사한 압축방법과의 성능 비교 실험을 통해 제안하는 방법의 우수성을 검증했다.
목차
제1장 서론 1제2장 관련연구 41. Background 41) Transform in Video Coding Technology 42) Weight Quantization 52. Fine-tuning 63. No Fine-tuning Pruning 74. Adaptive Weight Compression 95. DeepCABAC 10제3장 비디오 코덱 기반 딥러닝 모델 압축 성능 분석 121. DCT를 이용한 손실 압축 122. 가중치 양자화 방법 121) 학습 후 양자화 132) 텐서별 양자화 133) 양자화의 범위 153. 비디오 인코더를 이용한 압축방법 16제4장 딥러닝 데이터 세트와 실험환경 181. 데이터 세트 181) ImageNet 데이터 세트 182) Places365 데이터 세트 192. 실험 모델 201) VGG16 모델 202) ResNet 모델 21제5장 실험결과 221. DCT를 적용한 손실압축 실험 222. 비디오 코덱을 이용한 압축 실험 231) Convolution Layer의 압축 실험 232) VGG16을 압축한 실험 결과 243) Resnet50을 압축한 실험결과 254) Resnet18을 압축한 실험 결과 265) FCL의 압축효율 비교 263. 성능 비교 281) ThiNet과 NFP와의 성능 비교 결과 282) AWC와의 성능 비교 28제6장 결론 30
최근 본 자료
댓글(0)
0