FemtoDet: 에너지 대 성능 트레이드오프를 위한 객체 탐지 베이스라인

엣지 장치를 위한 효율적인 검출기는 종종 파라미터 수나 속도 측정 지표에 최적화되지만, 이러한 지표들은 검출기의 에너지 소비와 약한 상관관계를 유지하고 있다.그러나 컨볼루션 신경망(CNN)의 일부 시각 응용, 예를 들어 항상 켜진 감시 카메라와 같은 경우는 에너지 제약에 매우 민감하다.본 논문은 다음과 같은 두 가지 관점에서 에너지와 성능 간의 균형을 달성하는 검출기 설계를 통해 기준을 제시하고자 한다:1) 다양한 CNN 아키텍처를 체계적으로 분석하여 저에너지 소비 아키텍처를 식별한다. 이 과정에서 활성화 함수, 컨볼루션 연산자, 그리고 네크(neck) 부분의 특징 병합 구조를 선택한다. 과거 연구에서 간과되었던 이러한 세부 사항들이 검출기의 에너지 소비에 결정적인 영향을 미친다;2) 에너지-성능 간의 딜레마를 극복하기 위해, 발견된 저에너지 구성 요소들을 기반으로 에너지 효율을 중심으로 설계된 균형 잡힌 검출기인 \textit{FemtoDet}을 제안한다.새로운 구조 외에도, 컨볼루션 및 학습 전략 최적화를 통해 FemtoDet의 성능을 향상시켰다. 구체적으로, CNN의 제한된 표현 능력과 다양한 공간 표현을 요구하는 검출 작업 간의 모순을 극복하기 위해 새로운 인스턴스 경계 강화(IBE) 모듈을 개발하였으며, 일반적인 증강 기법에서 발생하는 데이터 분포 변화를 고려하여 경량 검출기의 부분 최적화 문제를 탈피하기 위해 재귀적 워밍리스타트(RecWR) 전략을 제안하였다.결과적으로, 단지 68.77k의 파라미터를 가진 FemtoDet는 PASCAL VOC에서 46.3 AP50의 경쟁력 있는 성능을 달성하였으며, Qualcomm Snapdragon 865 CPU 플랫폼에서는 1.11 W의 전력 소비와 함께 64.47 FPS의 실시간 처리 속도를 구현하였다.COCO 및 TJU-DHD 데이터셋에서 실시한 광범위한 실험 결과, 제안한 방법이 다양한 환경에서 우수한 성능을 보임을 확인하였다.