임베디드 GPU 환경에서의 고성능 객체인식을 위한 Canny 외곽선 추출 알고리즘과 CNN 모델 활용기법 연구
High Performance Object Detection Technique using Canny Edge Detection and CNN on Embedded GPU Module
- 주제(키워드) 임베디드 , GPU , 딥러닝 , CNN , Canny 외곽선 추출 , 객체 인식
- 발행기관 아주대학교
- 지도교수 오상윤
- 발행년도 2017
- 학위수여년월 2017. 8
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000025872
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
CPU 기술의 향상과 GPGPU 기술의 개발은 연산 수행속도를 향상시켰으며, 고성능 영상 데이터의 생성이 가능한 임베디드 기기의 보편화는 많은 양의 영상데이터를 생성하였다. 이러한 데이터를 사용하는 컴퓨터 비전 활용의 증가로 딥러닝의 전통적인 문제였던 과도한 연산량과 부족한 학습데이터에 대한 문제를 해결해주어 딥러닝을 사용한 연구들이 급격히 늘어났다. 또한, 임베디드 기기의 성능 향상으로 임베디드 환경에서 딥러닝 알고리즘을 수행하려는 수요도 증가하였다. 그러나 임베디드 환경에서 딥러닝 알고리즘을 수행하는 것은 여전히 많은 제약사항이 존재한다. 이는 임베디드 환경이 PC 환경에 비해 상대적으로 적은 메모리 용량과 컴퓨팅 성능을 가지고 있어 충분한 학습데이터가 가용해도 이를 완전히 수용하지 못하며, 딥러닝 알고리즘을 수행하는 데에 너무 많은 처리시간이 소요된다는 것이다. 본 논문에서는 이러한 문제를 해결하기 위해 임베디드 환경에서 CNN 기법을 기반으로 학습과 분류를 수행할 수 있는 새로운 Edge CNN 처리 기법을 제안한다. 학습 및 분류에 사용되는 영상데이터를 Canny 외곽선 추출 알고리즘으로 전처리 가공하여 영상데이터를 단순화 시키고 특징을 명확히 한다. 또한, RGB 3개의 채널로 구성되어 있는 기존의 영상데이터를 1개의 Grayscale 채널로 변경하여 영상데이터 용량을 감소시켜 메모리를 확보하고, 필요 계산 량을 감소시키는 것을 통해 처리속도를 향상시키고자 하였다. 본 논문에서 제안하는 Edge CNN 기법이 임베디드 환경에서 정상적으로 동작하는지 알아보기 위해 PC환경과 임베디드 환경에서 성능을 평가하였으며, 데이터셋과 영상데이터의 해상도를 변형하여 6개의 실험 유형을 구성하였다. 모든 실험에서 기존 CNN 기법과 비교하여 제안하는 Edge CNN 기법에서 1.3-1.9배의 속도 향상이 달성되는 것을 확인하였지만 정확도가 감소하는 것을 확인하였다.
more목차
1. 서론 1
2. 관련 연구 5
가. CNN(Convolution Neural Network) 5
나. Canny 외곽선 추출 알고리즘 7
다. 임베디드 환경 CNN 기법 적용 사례 9
라. 컴퓨터 비전 프로세스 CNN 기법 적용 사례 10
3. 고성능 객체인식을 위한 Canny 외곽선 추출 알고리즘과 CNN 모델 활용기법 11
가. 전체 구조 12
나. 영상데이터 해상도 변경 14
다. 외곽선 추출 15
라. LMDB(Lightning Memory-Mapped Database) 생성 17
마. 학습 및 분류 18
4. 성능 평가 20
가. 성능 평가 목표 20
나. 성능 평가 환경 21
다. 성능 평가 결과 25
5. 결론 및 향후 과제 38
참고문헌 40
