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)..

개요SqueezeNet은 딥러닝 모델의 크기(파라미터 수)를 극도로 줄이면서도 AlexNet 수준의 정확도를 유지하는 것을 목표로 개발된 초경량 합성곱 신경망(CNN) 구조입니다. 2016년 Forrest N. Iandola 등 UC Berkeley 팀이 제안했으며, 경량 딥러닝 분야에서 대표적인 연구 결과로 인정받고 있습니다. 특히 모바일, 임베디드, IoT 장비와 같이 메모리·계산 자원이 제한된 환경에서 강력한 이미지 인식 성능을 제공하는 것이 특징입니다.1. 개념 및 정의 항목 설명 정의파라미터 수를 50배 이상 줄이면서도 AlexNet 수준의 정확도를 유지하는 초경량 CNN 모델모델 크기약 4.8MB (AlexNet: 약 240MB)주요 특징파라미터 절감, 연산 효율화, 경량화에 최적화된 아키텍..

개요경량 딥러닝 기술(Lightweight Deep Learning)은 인공지능(AI) 모델의 크기, 계산량, 전력 소비를 최소화하여 모바일, IoT, 임베디드, 에지 디바이스 등 성능 제약이 있는 환경에서도 딥러닝을 실행할 수 있도록 최적화하는 기술입니다. AI의 클라우드 중심 구조에서 벗어나 디바이스 자체에서의 추론이 가능해짐으로써 지연 최소화, 네트워크 의존도 감소, 개인정보 보호 등 다양한 이점을 제공합니다.1. 개념 및 정의 항목 설명 정의기존의 대형 AI 모델을 크기, 속도, 연산 효율 면에서 최적화하여 저사양 환경에서도 동작하도록 경량화한 기술적용 환경모바일 앱, IoT 기기, CCTV, 드론, 웨어러블, 자동차 등목적AI의 온디바이스(On-Device) 실행을 가능하게 하여 실시간 처리와..

개요온디바이스 AI는 인공지능 모델이 클라우드가 아닌 로컬 디바이스 상에서 직접 실행되는 기술을 말한다. 스마트폰, IoT 기기, 웨어러블, 차량용 시스템 등 다양한 환경에서 데이터의 실시간 분석과 AI 추론이 가능하며, 응답 속도, 개인 정보 보호, 네트워크 의존성 감소 등의 장점을 제공한다. 최근 엣지 컴퓨팅과 AI 칩 기술의 발전에 힘입어 그 활용 범위가 급속히 확대되고 있다.1. 개념 및 정의온디바이스 AI는 데이터 수집, 처리, 추론을 디바이스 내에서 수행하는 구조로, AI 연산이 클라우드 서버가 아닌 **엣지(Edge)**나 단말에서 이루어진다.목적: 실시간성 확보, 개인 정보 보호 강화, 오프라인 환경 대응특징: 저전력, 경량화 모델, 빠른 응답 속도적용 환경: 스마트폰, 차량, IoT 센서..