컨볼루셔널 이미지 획득 기반의 효율적인 신경 시각 시스템

최근 몇 년간 딥러닝 분야에서 상당한 진전이 이루어졌음에도 불구하고, 고도화된 접근법들은 여전히 계산 비용이 매우 크다. 정확도와 계산 시간, 에너지 소비 간의 트레이드오프는 저전력 및 기타 자원 제약이 있는 시스템에서 실시간 응용에 대한 활용을 제한한다. 본 논문에서는 광학 이미징 시스템의 포인트 스프레드 함수(Point Spread Function, PSF)를 공학적으로 설계함으로써, 전통적인 사전 훈련된 컨볼루션 신경망(Convolutional Neural Network, CNN)의 첫 번째 레이어의 큰 컨볼루션 커널을 복제하는 방식으로, 광-디지털 하이브리드 구현 방식의 CNN을 제안함으로써 이 근본적인 과제에 도전한다. 이미징 조리개를 조작하여 PSF가 해당 컨볼루션 커널을 재현하도록 코드화함으로써, 컨볼루션 연산을 광학 영역에서 수행하게 된다. 이 경우 에너지 소비 측면에서 비용이 0이며, 커널 크기와 무관하게 지연 시간이 없어진다. 두 개의 데이터셋에 대한 실험 결과는 제안한 방법이 계산 비용을 두 자릿수 이상 감소시키면서도 최신 기술 수준에 근접한 정확도를 달성함을 보여주며, 동일한 계산 비용 수준에서 더 높은 정확도를 제공함을 의미한다.