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
- 홍성수
- 발행연도
- 2022
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수7
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
객체 탐지는 이미지를 입력으로 받아 객체들의 분류(Classification)와 위치 탐지(Localization)를 수행하는 컴퓨터 비전 기술이다. 최근에 객체 탐지에 많이 사용되고 있는 딥러닝은 높은 계산량을 요구한다는 것이 알려져 있다. 따라서 객체 탐지를 가속하려는 연구들은 대부분 딥러닝 모델을 가볍게 최적화하여 딥러닝 추론(Inference) 시간을 단축시키려 한다. 이런 연구들 중 YOLO(You Look Only Once)는 적당한 정확도와 빠른 추론 속도로 객체 탐지를 위한 대표적인 딥러닝 모델 중 하나로 자리잡았다. 그러나 객체 탐지 응용의 종단 간 지연 시간(end-to-end latency) 관점에서 봤을 때, 추론뿐만 아니라 image fetch, 전처리, 후처리, 화면 출력 등 다른 여러 과정들도 상당한 실행 시간을 차지한다. 또한 멀티쓰레드 객체 탐지 응용에서는 객체 탐지의 각 과정에 소모되는 시간이 중첩되어 종단 간 지연 시간을 단축시키는 것이 어렵다. 본 논문에서는 YOLO를 기반으로 한 멀티쓰레드 객체 탐지 응용인 Darknet-YOLO의 종단 간 지연 시간을 단축시키기 위한 3가지 기법을 소개한다. 우리는 응용에서 나타나는 blocking time을 분석하고, 이를 제거할 수 있는 해결책을 구현한다. 또한 각 쓰레드의 수행시간을 예측하고 쓰레드의 시작 시간을 동적으로 조절한다. 마지막으로 상당한 계산량을 필요로 하는 preprocessing 함수들을 GPU가 idle할 때 GPU에서 수행하도록 한다. 본 기법은 Nvidia Xavier AGX Jetson에서 평가되었다. Nsight System과 Nvidia Tools Extension(NVTX)를 사용하여 프로파일링 한 결과, Darknet-YOLO의 종단 간 지연 시간은 58.18% 단축되었다.
목차
제 1 장 서 론 5제 2 장 Darknet-YOLO 10제 3 장 문제 정의 및 해결 기법 13제 1 절 Blocking time elimination 14제 2 절 Late fetch 18제 3 절 Accelerated computing of preprocessing 20제 4 장 실험 및 결과 22제 1 절 실험 환경 22제 2 절 구현 및 실험 평가 23제 5 장 관련 연구 25제 1 절 객체 탐지 응용의 딥러닝 추론 시간 단축 25제 2 절 딥러닝 추론 이외 과정의 실행 시간 단축 26제 6 장 결 론 29참고문헌 30Abstract 33
최근 본 자료
댓글(0)
0