LeYOLO, 객체 탐지를 위한 새로운 임베디드 아키텍처

딥 신경망에서의 효율적인 계산은 실시간 객체 탐지에 있어 핵심적인 요소이다. 그러나 최근의 기술 발전은 주로 고성능 하드웨어의 개선에 기인한 것으로, 파라미터 및 FLOP 효율성 향상에 초점을 맞춘 연구는 상대적으로 부족하다. 이는 최신 YOLO 아키텍처에서 특히 두드러지며, 속도를 우선시하면서도 경량 설계는 소외되고 있다. 그 결과, 마이크로컨트롤러와 같은 저자원 환경을 고려한 객체 탐지 모델에 대한 연구는 상대적으로 소홀히 다뤄지고 있다. 계산 능력이 제한된 장치에서는 기존의 해결책이 주로 SSDLite 또는 낮은 파라미터 수를 가진 분류기들의 조합에 의존하며, YOLO 유사 아키텍처와 진정으로 효율적인 경량 탐지기 사이에 명확한 격차가 존재한다. 이에 따라 핵심적인 질문이 제기된다: 파라미터와 FLOP 효율성에 최적화된 모델이 주류 YOLO 모델과 비슷한 정확도를 달성할 수 있는가? 이를 해결하기 위해, MSCOCO를 기준 검증 세트로 사용하여 객체 탐지 모델에 두 가지 주요 기여를 제시한다. 첫째, SSDLite 수준의 추론 속도를 유지하면서 정확도를 크게 향상시키고 파라미터 수를 감소시킨 일반적인 탐지 프레임워크인 LeNeck을 제안한다. 둘째, YOLO 기반 아키텍처에서 계산 효율성을 향상시키기 위해 설계된 효율적인 객체 탐지 모델인 LeYOLO를 제시한다. LeYOLO는 SSDLite 기반 탐지기와 YOLO 모델 사이의 격차를 효과적으로 해소하며, MobileNet 수준의 매우 작고 컴팩트한 모델에서도 높은 정확도를 제공한다. 본 연구의 두 기여는 모바일, 임베디드 및 초저전력 장치, 특히 마이크로컨트롤러와 같은 계산 효율성이 필수적인 환경에서 매우 적합하다.