ITPE * JackerLab

개요ShuffleNet은 경량 딥러닝 모델로, 모바일·IoT 환경에서도 높은 정확도를 유지하면서도 매우 낮은 연산량과 파라미터 수를 갖춘 합성곱 신경망(CNN) 구조입니다. 2017년 중국 메그비(Megvii, Face++) 연구진이 발표했으며, Group Convolution과 Channel Shuffle이라는 두 가지 혁신적 기법을 도입해 MobileNet 대비 더 높은 연산 효율을 달성한 것이 특징입니다.1. 개념 및 정의 항목 설명 정의경량 모델에서 발생하는 채널 간 정보 흐름의 한계를 해결하기 위해 ‘채널 셔플링(Channel Shuffle)’을 적용한 CNN 구조목적경량화된 모델에서 정보 병목을 최소화하면서도 정확도 향상대표 구조ShuffleNet V1, ShuffleNet V2 (2018)..

개요MobileNet은 모바일, IoT, 임베디드 디바이스처럼 연산 및 메모리 자원이 제한된 환경에서 실시간 딥러닝 추론이 가능하도록 설계된 경량 합성곱 신경망(CNN) 구조입니다. Google이 2017년 발표한 MobileNet은 경량성과 정확도 사이의 균형을 맞추기 위해 깊이별 분리 합성곱(Depthwise Separable Convolution)이라는 혁신적인 구조를 도입했으며, 이후 다양한 변형(MobileNetV2, V3 등)을 통해 성능이 지속적으로 개선되고 있습니다.1. 개념 및 정의 항목 설명 정의경량 CNN 모델로, 연산량과 파라미터 수를 줄이기 위한 Depthwise Separable Convolution 기반 구조목적모바일·에지 디바이스에서 효율적이고 빠른 추론이 가능하도록 최적화..

개요DenseNet(Dense Convolutional Network)은 레이어 간의 연결 방식을 혁신적으로 바꿔, 각 레이어가 이전 모든 레이어의 출력을 입력으로 사용하는 ‘전결합(Dense Connectivity)’ 구조를 가진 합성곱 신경망(CNN)입니다. 2017년 Huang et al.이 발표한 DenseNet은 파라미터 수를 줄이면서도 뛰어난 성능과 학습 효율을 보여주며, ResNet 이후의 대표적 CNN 진화 구조로 평가받고 있습니다.1. 개념 및 정의 항목 설명 정의각 레이어가 앞선 모든 레이어의 특징 맵을 입력으로 받아 연산하는 CNN 아키텍처구조 특징Dense Block, Transition Layer, Growth Rate 등의 개념 도입목표정보 손실 최소화, 특징 재사용 극대화, ..