KR102597182B1 - 입력 해상도 변경에 따른 특징맵 해상도 변경 방법 및 시스템 - Google Patents

Abstract

입력 해상도 변경에 따른 특징맵 해상도 변경 방법 및 시스템을 개시한다. 일실시예에 따른 특징맵 해상도 변경 방법은, 임의의 해상도의 입력 데이터에 대해 다양한 해상도 변경을 수행하여 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성하는 단계, 딥러닝 모델을 통해 상기 생성된 복수의 입력 데이터들 각각에 대한 추론을 진행하는 단계, 상기 추론의 진행 동안 상기 딥러닝 모델이 포함하는 레이어들 각각에서 출력되는 특징맵의 크기를 확인하는 단계 및 상기 확인된 특징맵의 크기에 따라 상기 레이어들 중 적어도 하나의 레이어의 구조를 변경하는 단계를 포함할 수 있다.

Description

입력 해상도 변경에 따른 특징맵 해상도 변경 방법 및 시스템{METHOD AND SYSTEM FOR CHANGING FEATURE MAP RESOLUTION ACCORDING TO INPUT RESOLUTION CHANGE}

아래의 설명은 입력 해상도 변경에 따른 특징맵 해상도 변경 방법 및 시스템에 관한 것이다.

딥러닝 모델(또는 인공지능 모델)의 경량화는 주어진 딥러닝 모델을 더 작은 딥러닝 모델로 만드는 함수, 모듈 및/또는 기능을 의미한다. 여기서, '작다'는 딥러닝 모델을 구성하는 가중치(weights/bias)의 수를 줄이거나, 용량을 줄이거나, 추론 속도를 빠르게 하는 것을 의미할 수 있다. 이때, 경량화를 진행하면서 성능을 하락시키지 않는 것이 매우 중요하다.

경량화 기법에는 다양한 종류가 있다. 큰 분류로는 가지치기(Pruning), 양자화(Quantization), 지식 증류(Knowledge Distillation), 모델 탐색(Neural Architecture Search), 필터 분해(Filter Decomposition)가 있으며, 각 분류 내에도 굉장히 다양한 종류의 경량화 기법이 존재한다.

이 외에 딥러닝 모델 경량화를 달성할 수 있는 방법으로 해상도 변경(resolution change)이 사용되고 있다. 해상도 변경이란, 딥러닝 모델 중 CNN(Convolutional Neural Network)과 같이 입력의 크기가 다양해도 처리가 가능한 모델을 대상으로 접목할 수 있는 기술로, 입력 데이터의 해상도를 변경하는 작업을 의미한다. 해상도를 변경하게 되면, CNN에서 컨볼루션(convolution) 연산에서 수행되는 연산의 수 자체가 줄어들기 때문에 연산량 및 메모리 사용량(memory footprint) 감소에 도움이 된다.

[선행문헌번호]

한국공개특허 제10-2020-0023238호

딥러닝 모델의 각 레이어에서 출력되는 특징맵의 크기에 따라 레이어의 구조를 변경함으로써 딥러닝 모델의 성능을 향상시킬 수 있는 특징맵 해상도 변경 방법 및 시스템을 제공한다.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치에 의해 수행되는 특징맵 해상도 변경 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 임의의 해상도의 입력 데이터에 대해 다양한 해상도 변경을 수행하여 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성하는 단계; 상기 적어도 하나의 프로세서에 의해, 딥러닝 모델을 통해 상기 생성된 복수의 입력 데이터들 각각에 대한 추론을 진행하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 추론의 진행 동안 상기 딥러닝 모델이 포함하는 레이어들 각각에서 출력되는 특징맵의 크기를 확인하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 확인된 특징맵의 크기에 따라 상기 레이어들 중 적어도 하나의 레이어의 구조를 변경하는 단계를 포함하는 특징맵 해상도 변경 방법을 제공한다.

일측에 따르면, 상기 레이어의 구조를 변경하는 단계는, 상기 확인된 특징맵의 크기가 1×1인 레이어를 상기 딥러닝 모델에서 제거하여 상기 적어도 하나의 레이어의 구조를 변경하는 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 입력 데이터를 생성하는 단계는, 상기 임의의 해상도보다 작은 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 딥러닝 모델은 상기 임의의 해상도를 갖는 학습 데이터로 학습된 모델인 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 딥러닝 모델은 CNN(Convolutional Neural Network)을 포함하는 것을 특징으로 할 수 있다.

컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.

컴퓨터 장치에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 임의의 해상도의 입력 데이터에 대해 다양한 해상도 변경을 수행하여 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성하고, 딥러닝 모델을 통해 상기 생성된 복수의 입력 데이터들 각각에 대한 추론을 진행하고, 상기 추론의 진행 동안 상기 딥러닝 모델이 포함하는 레이어들 각각에서 출력되는 특징맵의 크기를 확인하고, 상기 확인된 특징맵의 크기에 따라 상기 레이어들 중 적어도 하나의 레이어의 구조를 변경하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

딥러닝 모델의 각 레이어에서 출력되는 특징맵의 크기에 따라 레이어의 구조를 변경함으로써 딥러닝 모델의 성능을 향상시킬 수 있다.

도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 2는 해상도 변경에 따른 컨볼루션 연산의 수 감소의 예를 도시한 도면이다.
도 3은 해상도 변경 전과 해상도 변경 후의 특징맵 크기의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 특징맵 해상도 변경 시스템의 내부 구성의 예를 도시한 블록도이다.
도 5는 본 발명의 일실시예에 따른 특징맵 해상도 변경 방법의 예를 도시한 흐름도이다.
도 6은 본 발명의 일실시예에 따른 딥러닝 모델의 성능의 예를 도시한 도면이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

본 발명의 실시예들에 따른 특징맵 해상도 변경 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 특징맵 해상도 변경 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 특징맵 해상도 변경 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.

도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 컴퓨터 장치(Computer device, 100)는 도 1에 도시된 바와 같이, 메모리(Memory, 110), 프로세서(Processor, 120), 통신 인터페이스(Communication interface, 130) 그리고 입출력 인터페이스(I/O interface, 140)를 포함할 수 있다. 메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(Network, 160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(100)의 메모리(110)에 로딩될 수 있다.

프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(130)은 네트워크(160)를 통해 컴퓨터 장치(100)가 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 장치(100)의 통신 인터페이스(130)를 통해 컴퓨터 장치(100)로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 장치(100)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(140)는 입출력 장치(I/O device, 150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 장치(100)와 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 장치(100)는 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(100)는 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

도 2는 해상도 변경에 따른 컨볼루션 연산의 수 감소의 예를 도시한 도면이다. 도 2는 해상도가 mХm인 데이터(210)와 해상도가 nХn인 데이터(220)를 나타내고 있다. 다시 말해, 도 2는 CNN(Convolutional Neural Network)에서 mХm 크기의 입력 데이터(210)의 해상도가 nХn으로 변경됨에 따라 컨볼루션 연산 수가 감소하는 예를 나타내고 있다. 여기서 n은 m보다 작은 자연수라 가정한다. 컨볼루션 커널(또는 컨볼루션 마스크, 230)이 dХd 행렬이라 가정할 때, 컨볼루션 연산의 수는 해상도가 mХm인 데이터(210)의 경우에 dХdХmХm인 반면, 해상도가 nХn인 데이터(220)의 경우에 dХdХnХn이 된다. 이때, n이 m보다 작은 자연수라 가정하였기 때문에 컨볼루션 연산의 수는 감소하게 되며, 따라서 연산량 및 메모리 사용량(memory footprint)이 감소하게 된다.

하지만 딥러닝 모델의 구조 상 입력의 해상도가 줄어들면, 이는 상위 레이어의 해상도 감소를 의미할 수 있다. 다시 말해, 입력의 해상도를 너무 많이 줄이게 되면, 상위 레이어의 특징맵(feature map) 크기가 너무 작아져서 정보 손실의 양이 커질 수도 있고, 특징맵의 크기가 1이 되어 버리게 된다면 특징맵의 크기가 1Х1인 입력을 받는 레이어(layer)는 존재하지 않아도 성능에 큰 영향을 주지 않을 수 있다.

도 3은 해상도 변경 전과 해상도 변경 후의 특징맵 크기의 예를 도시한 도면이다. 도 3은 데이터(310)를 복수의 레이어로 구성된 딥러닝 모델(320)에 입력하여 출력(330)을 생성함에 있어서, 해상도 변경 전에 해상도가 MХM인 데이터(310)에 대해서는 특징맵의 크기가 (M/N)×(M/N)인 반면, 해상도 변경 후에 해상도가 (M/r)×(M/r)인 데이터(310)에 대해서는 특징맵의 크기가 (M/Nr)×(M/Nr)가 됨을 나타내고 있다. 이때, M이 Nr보다 작은 경우, 특징맵의 크기가 1×1이 된다. 이러한 1×1 크기의 특징맵을 갖는 레이어는 딥러닝 모델(320)의 성능에는 큰 영향을 주지 않으면서 연산량과 메모리 사용량만을 소모시킨다.

본 발명의 실시예들에 따른 특징맵 해상도 변경 시스템은 딥러닝 모델이 추론될 때, 각 레이어의 출력이 되는 특징맵의 크기를 출력해, 1x1의 크기의 특징맵을 출력으로 하는 레이어의 구조를 변경함으로써 딥러닝 모델의 성능을 향상시킬 수 있다.

도 4는 본 발명의 일실시예에 따른 특징맵 해상도 변경 시스템의 내부 구성의 예를 도시한 블록도이고, 도 5는 본 발명의 일실시예에 따른 특징맵 해상도 변경 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 특징맵 해상도 변경 시스템(400)은 적어도 하나의 컴퓨터 장치(100)에 의해 구현될 수 있다. 도 4의 특징맵 해상도 변경 시스템(400)은 입력 데이터 생성부(410), 추론부(420), 특징맵 확인부(430) 및 레이어 구조 변경부(440)를 포함할 수 있다. 이때, 입력 데이터 생성부(410), 추론부(420), 특징맵 확인부(430) 및 레이어 구조 변경부(440)는 특징맵 해상도 변경 시스템(400)을 구현하는 컴퓨터 장치(100)의 프로세서(120)가 컴퓨터 프로그램의 제어에 따라 동작하는 기능의 기능적 표현(functional expression)일 수 있다. 일례로, 컴퓨터 장치(100)의 프로세서(120)는 메모리(110)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(120)는 컴퓨터 장치(100)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(100)가 도 5의 방법이 포함하는 단계들(510 내지 540)을 수행하도록 컴퓨터 장치(100)를 제어할 수 있다. 이때, 각 단계들(510 내지 540)의 수행을 위한 프로세서(120)의 기능적 표현으로서 입력 데이터 생성부(410), 추론부(420), 특징맵 확인부(430) 및 레이어 구조 변경부(440)가 사용될 수 있다.

단계(510)에서 입력 데이터 생성부(410)는 임의의 해상도의 입력 데이터에 대해 다양한 해상도 변경을 수행하여 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성할 수 있다. 이때, 입력 데이터 생성부(410)는 임의의 해상도보다 작은 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성할 수 있다. 예를 들어, 임의의 해상도가 224×224인 경우, 입력 데이터 생성부(410)는 112×112 해상도의 입력 데이터와 56×56 해상도의 입력 데이터 등과 같은 서로 다른 해상도를 갖는 복수의 입력 데이터들을 생성할 수 있다.

단계(520)에서 추론부(420)는 딥러닝 모델을 통해 생성된 복수의 입력 데이터들 각각에 대한 추론을 진행할 수 있다. 여기서 딥러닝 모델은 임의의 해상도를 갖는 학습 데이터로 학습된 모델일 수 있다. 앞선 예에서 임의의 해상도가 224×224인 경우, 딥러닝 모델은 224×224의 해상도를 갖는 학습 데이터를 통해 학습된 모델일 수 있다. 이러한 딥러닝 모델은 CNN과 같이 입력의 크기가 다양해도 추론의 처리가 가능한 모델일 수 있다.

단계(530)에서 특징맵 확인부(430)는 추론의 진행 동안 딥러닝 모델이 포함하는 레이어들 각각에서 출력되는 특징맵의 크기를 확인할 수 있다. 앞서 설명한 바와 같이 레이어들 각각에서 출력되는 특징맵의 크기는 입력 데이터의 해상도에 따라 달라질 수 있으며, 입력 데이터의 해상도가 작아질수록 특징맵의 크기 또한 작아질 수 있다.

단계(540)에서 레이어 구조 변경부(440)는 확인된 특징맵의 크기에 따라 레이어들 중 적어도 하나의 레이어의 구조를 변경할 수 있다.

일실시예로, 레이어 구조 변경부(440)는 확인된 특징맵의 크기가 1×1인 레이어를 딥러닝 모델에서 제거하여 적어도 하나의 레이어의 구조를 변경할 수 있다. 이미 설명한 바와 같이 특징맵의 크기가 1×1인 레이어는 딥러닝 모델의 성능에는 큰 영향을 주지 않으면서 연산량과 메모리 사용량을 소모시킬 수 있다. 따라서, 레이어 구조 변경부(440)는 확인된 특징맵의 크기가 1×1인 레이어를 딥러닝 모델에서 제거함으로써, 해상도 변경의 경량화 기법을 이용하는 딥러닝 모델의 성능을 향상시킬 수 있다.

다른 실시예로, 레이어 구조 변경부(440)는 확인된 특징맵의 크기가 1×1인 레이어가 1×1보다 더 큰 해상도의 특징맵을 출력하도록 해당 레이어의 구조를 변경할 수 있다. 일례로, 레이어 구조 변경부(440)는 레이어의 스트라이드(stride)와 패딩(padding)을 조절하여 해당 레이어가 1×1보다 더 큰 해상도의 특징맵을 출력하도록 레이어의 구조를 변경할 수 있다. 여기서, 스트라이드는 커널(kernel)이 슬라이딩 윈도우를 통해 한 번에 몇 픽셀을 이동하는가에 대한 값일 수 있으며, 패딩은 입력 텐서(tensor)의 외곽에 추가되어 텐서의 해상도를 키우는 역할을 할 수 있다. 일례로, 패딩은 입력 텐서의 외곽에 0의 값들을 추가하여 입력 텐서의 해상도를 키울 수 있다. 보다 구체적인 예로, 레이어 구조 변경부(440)는 확인된 특징맵의 크기가 1×1인 레이어에 대해 패딩을 이용하여 입력 텐서의 외곽에 0의 값들을 추가하여 입력 텐서의 해상도를 증가시키도록 해당 레이어의 구조를 변경시킴으로써, 해당 레이어가 1×1보다 큰 해상도의 특징맵을 출력하도록 할 수 있다. 다른 예로, 레이어 구조 변경부(440)는 슬라이딩 윈도우를 통해 한 번에 이동하는 픽셀의 값인 스트라이드를 감소시키도록 해당 레이어의 구조를 변경시킴으로써, 해당 레이어가 1×1보다 큰 해상도의 특징맵을 출력하도록 할 수도 있다.

도 6은 본 발명의 일실시예에 따른 딥러닝 모델의 성능의 예를 도시한 도면이다. 도 6의 표에서 "Name"은 딥러닝 모델의 이름을 의미할 수 있다. 이때, (기존)은 확인된 특징맵의 크기가 1×1인 레이어의 구조를 변경하지 않은 딥러닝 모델을, (1×1 제거)는 확인된 특징맵의 크기가 1×1인 레이어를 제거한 딥러닝 모델을, (64×64 RR)은 확인된 특징맵의 크기가 1×1인 레이어가 64×64 크기의 특징맵을 출력하도록 레이어의 구조를 변경한 딥러닝 모델을 각각 의미할 수 있다. 또한, 도 6의 표에서 "Acc(%)"는 해당 딥러닝 모델의 추론 정확도를 의미할 수 있으며, "Time(ms)"은 해당 딥러닝 모델의 추론 시간을 의미할 수 있다. 또한, 도 6의 표에서 "# of Param"은 해당 딥러닝 모델의 파라미터의 수를 의미할 수 있으며, "Flops"는 1초에 수행할 수 있는 부동 소수점 연산의 횟수와 같이 컴퓨터의 연산 속도를 나타내는 단위로서의 FLOPS(floating-point operations per second)를 의미할 수 있다. 또한, 도 6의 표에서 "Size(Mbytes)"는 해당 딥러닝 모델의 크기를 의미할 수 있다.

이러한 도 6의 표를 살펴보면, 확인된 특징맵의 크기가 1×1인 레이어를 제거한 딥러닝 모델은 정확도와 연산 속도(Flops)가 모두 증가하고, 추론 시간, 파라미터의 수와 크기는 모두 감소하였음을 알 수 있다. 한편, 레이어가 64×64 크기의 특징맵을 출력하도록 레이어의 구조를 변경한 딥러닝 모델은 정확도는 큰 폭으로 증가하였으나, 추론 시간 역시 증가하였음을 알 수 있다.

이처럼, 본 발명의 실시예들에 따르면, 딥러닝 모델의 각 레이어에서 출력되는 특징맵의 크기에 따라 레이어의 구조를 변경함으로써 딥러닝 모델의 성능을 향상시킬 수 있다.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (11)

1. 적어도 하나의 프로세서를 포함하는 컴퓨터 장치에 의해 수행되는 딥러닝 모델 구조 변경 방법에 있어서,
   상기 적어도 하나의 프로세서에 의해, 임의의 해상도의 입력 데이터에 대해 다양한 해상도 변경을 수행하여 상기 임의의 해상도보다 작은 해상도를 갖는 복수의 입력 데이터들을 생성하는 단계;
   상기 적어도 하나의 프로세서에 의해, 딥러닝 모델을 통해 상기 생성된 복수의 입력 데이터들 각각에 대한 추론을 진행하는 단계;
   상기 적어도 하나의 프로세서에 의해, 상기 추론의 진행 동안, 상기 딥러닝 모델이 포함하는 레이어들 중 상기 생성된 복수의 입력 데이터들에 의해 기설정된 크기 이하의 특징맵을 출력하는 레이어를 확인하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 상기 확인된 레이어를 상기 딥러닝 모델에서 제거하거나, 또는 상기 확인된 레이어가 상기 기설정된 크기보다 큰 특징맵을 출력하도록 상기 확인된 레이어의 구조를 변경하는 단계
   를 포함하는 딥러닝 모델 구조 변경 방법.
2. 제1항에 있어서,
   상기 기설정된 크기는, 1×1인 것을 특징으로 하는, 딥러닝 모델 구조 변경 방법.
3. 삭제
4. 제1항에 있어서,
   상기 딥러닝 모델은 상기 임의의 해상도를 갖는 학습 데이터로 학습된 모델인 것을 특징으로 하는 딥러닝 모델 구조 변경 방법.
5. 제1항에 있어서,
   상기 딥러닝 모델은 CNN(Convolutional Neural Network)을 포함하는 것을 특징으로 하는 딥러닝 모델 구조 변경 방법.
6. 컴퓨터 장치와 결합되어 제1항, 제2항, 제4항 또는 제5항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
7. 제1항, 제2항, 제4항 또는 제5항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
8. 컴퓨터 장치에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
   를 포함하고,
   상기 적어도 하나의 프로세서에 의해,
   임의의 해상도의 입력 데이터에 대해 다양한 해상도 변경을 수행하여 상기 임의의 해상도보다 작은 해상도를 갖는 복수의 입력 데이터들을 생성하고,
   딥러닝 모델을 통해 상기 생성된 복수의 입력 데이터들 각각에 대한 추론을 진행하고,
   상기 추론의 진행 동안, 상기 딥러닝 모델이 포함하는 레이어들 중 상기 생성된 복수의 입력 데이터들에 의해 기설정된 크기 이하의 특징맵을 출력하는 레이어를 확인하고,
   상기 확인된 레이어를 상기 딥러닝 모델에서 제거하거나, 또는 상기 확인된 레이어가 상기 기설정된 크기보다 큰 특징맵을 출력하도록 상기 확인된 레이어의 구조를 변경하는 것
   을 특징으로 하는 컴퓨터 장치.
9. 제8항에 있어서,
   상기 기설정된 크기는, 1×1인 것을 특징으로 하는 컴퓨터 장치.
10. 삭제
11. 제8항에 있어서,
    상기 딥러닝 모델은 상기 임의의 해상도를 갖는 학습 데이터로 학습된 모델인 것
    을 특징으로 하는 컴퓨터 장치.