KR102368447B1 - 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치 및 방법 - Google Patents
동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치 및 방법 Download PDFInfo
- Publication number
- KR102368447B1 KR102368447B1 KR1020190117793A KR20190117793A KR102368447B1 KR 102368447 B1 KR102368447 B1 KR 102368447B1 KR 1020190117793 A KR1020190117793 A KR 1020190117793A KR 20190117793 A KR20190117793 A KR 20190117793A KR 102368447 B1 KR102368447 B1 KR 102368447B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- layer
- pruning
- deep neural
- trained deep
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치가 개시된다. 일 실시예에 따른 압축 장치는 동영상 코딩을 구성하는 코딩 유닛의 훈련된 심층 신경망을 선택적으로 가지치기하기 위한 가지치기 유닛, 상기 가지치기 유닛에 의하여 가지치기된 상기 훈련된 심층 신경망을 양자화하기 위한 양자화 유닛 및 상기 양자화 유닛에 의하여 양자화된 상기 훈련된 심층 신경망을 엔트로피 코딩하여 비트스트림으로 출력하기 위한 엔트로피 코딩 유닛을 포함한다. 이 때, 상기 가지치기 유닛은, 상기 훈련된 심층 신경망을 기술하는 요소들에 대한 가치도를 계산하되, 상기 심층 신경망을 통하여 후방 전파되는 것을 반영하여 상기 가치도를 계산한다.
Description
본 발명은 인공 신경망(Artificial Neural Network, ANN)에 관한 것으로, 보다 구체적으로 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 표현 기술에 관한 것이다.
인공 지능(Artificial Intelligence, AI)을 다양한 산업 분야에서 활용하기 위한 시도들이 계속되어 왔다. 특히, 최근의 인공 지능 기술은 생물학적 신경망과 공통된 특정 성능을 갖는 정보 처리 시스템인 신경망(Neural Network, NN)을 활용하면서, 그 성능이 큰 폭으로 향상되고 있으며, 그에 따라 응용 분야도 급속도로 증가하고 있다.
이러한 신경망(NN)은 '인공' 신경망(Artificial Neural Network, ANN)이라고도 불린다. 인공 신경망(ANN)은 동물 신경의 행동 특성을 모방하는 분산 병렬 정보 처리 모델이다. ANN에는 서로 연결되어 있는 많은 수의 노드(뉴런이라고도 함)가 존재한다. ANN은 두 가지 특징을 가지고 있다: 1) 각 뉴런은 특정 출력 기능(활성화 기능이라고도 함)을 통해 다른 인접한 뉴런으로부터 가중 입력값을 계산한다. 2) 뉴런들 사이의 정보 전송 강도는 소위 "가중치(weight)"이라고 불리는 것에 의해 측정되며, 그러한 가중치는 특정한 알고리즘의 자기 학습에 의해 조정될 수 있다.
ANN은 신경망에 포함되는 변수 및 토폴로지 관계를 지정하기 위해 상이한 아키텍쳐를 사용할 수 있다. 신경망에 포함되는 파라미터는 뉴런의 활동과 함께 뉴런들 간의 연결의 가중치일 수 있다. 신경망 토폴로지의 유형으로 피드 포워드 네트워크와 역방향 전파 신경망(backward propagation neural network)이 있다. 전자에서는 동일한 계층에서 서로 연결된 각 계층 내의 노드가 다음 스테이지로 공급되는데, 제공되는 입력 패턴에 따라 연결의 가중치를 수정하는 '학습 규칙'의 일부 형태를 포함한다. 후자에서는 가중 조정치의 역방향 에러 전파를 허용하는 것으로, 전자보다 진보된 신경망이다.
심층 신경망(Deep Neural Network, DNN)은 다수의 레벨의 상호 연결된 노드를 갖는 신경망에 대응하여 매우 비선형이고 고도로 변화하는 기능을 콤팩트하게 표현할 수 있다. 그럼에도 불구하고, 다수의 계층과 연관된 노드의 수와 함께 DNN에 대한 계산 복잡도가 급격히 상승한다. 최근까지 이러한 DNN을 학습 또는 훈련(training)시키기 위한 효율적인 연산 방법들이 개발되고 있다. DNN의 학습 속도가 획기적으로 높아짐에 따라, 음성 인식, 이미지 세분화, 물체 감지, 안면 인식 등의 다양하고 복잡한 작업에 성공적으로 적용되고 있다.
멀티미디어 콘텐츠, 예컨데 비디오의 압축 및 복원도 이러한 DNN의 적용이 시도되고 있는 분야의 하나이다. 현재 차세대 비디오 코딩으로 고효율 비디오 코딩(High Efficiency Video Coding, HEVC)이 ITU-T(비디오 코딩 전문가 그룹) 및 ISO/IEC MPEG(동영상 전문가 그룹) 표준화 조직의 공동 비디오 프로젝트에 의하여 개발되어 국제 표준으로 채택되어 사용되고 있으며, DNN을 HEVC 등과 같은 새로운 비디오 코딩 표준에 적용함으로써, 그 성능을 더욱 향상시키는 것이 가능하다는 것이 알려져 있다. 이러한 시도의 하나가 한국공개특허 제10-2018-0052651호, "비디오 코딩에서의 신경망 기반 프로세싱의 방법 및 장치"에 개시되어 있다.
그러나, 신경망의 규모는 최근 몇 년 동안 급속한 발전으로 인해 폭발하고 있다. 몇몇 진보된 신경망 모델들은 수백 개의 층과 수십억 개의 연결을 가지고 있을 것이다. 그리고 그것의 구현은 계산-중심과 기억-중심 둘 다이다.
신경망이 점점 커지고 있기 때문에, 이동 단말기 등과 같이 스토리지 및 프로세서의 성능에 제약이 있는 장치에서 적용하기 위해서는 신경망 모델을 작은 크기로 만드는 것이 상당히 중요하지만, 이는 신경망의 성능을 저하시킬 수가 있어서 한계가 존재한다. 특히, 이동 단말기에서 중요한 어플리케이션으로 활용되는 멀티미디어 콘텐츠의 생산 및 소비를 위한 비디오 코딩 어플리케이션에 적용하기 위해서는, 작은 크기의 신경망 모델이 필수적이다. 뿐만 아니라, 비디오 코딩 어플리케이션의 특성상, 인코딩 장치와 디코딩 장치 간의 호환성도 확보될 필요가 있다.
본 발명이 해결하고자 하는 하나의 과제는, 신경망의 성능을 저하를 최소화하면서 이동 단말기 등과 같이 스토리지 및 프로세서의 성능에 제약이 있는 장치에도 적용할 수 있는, 동영상 코딩을 위하여 훈련된 심층 신경망(trained deep neural networks)의 압축 장치 및 방법을 제공하는 것이다.
전술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 훈련된 심층 인공 신경망의 압축 장치는, 동영상 코딩을 구성하는 코딩 유닛의 훈련된 심층 신경망을 선택적으로 가지치기하기 위한 가지치기 유닛, 상기 가지치기 유닛에 의하여 가지치기된 상기 훈련된 심층 신경망을 양자화하기 위한 양자화 유닛 및 상기 양자화 유닛에 의하여 양자화된 상기 훈련된 심층 신경망을 엔트로피 코딩하여 비트스트림으로 출력하기 위한 엔트로피 코딩 유닛을 포함하고, 상기 가지치기 유닛은, 상기 훈련된 심층 신경망을 기술하는 요소들에 대한 가치도를 계산하되, 상기 심층 신경망을 통하여 후방 전파되는 것을 반영하여 상기 가치도를 계산한다.
상기 실시예의 일 측면에 의하면, 상기 훈련된 심층 신경망은, 복수의 출력 특성, 복수의 뉴런 및 복수의 컨볼루션 커널을 포함하고, 상기 훈련된 심층 신경망을 기술하는 요소들 중에서 하나 또는 그 이상은, 상기 복수의 출력 특성, 상기 복수의 뉴런 및 상기 복수의 컨볼루션 커널 중에서 하나 이상을 포함할 수 있다. 이 경우에, 상기 훈련된 심층 신경망은, 전연결 계층에 존재하는 복수의 뉴런을 포함할 수 있다.
전술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 훈련된 심층 인공 신경망의 압축 방법은, 동영상 코딩을 구성하는 코딩 유닛의 훈련된 심층 신경망을 선택적으로 가지치기하기 위한 가지치기 단계, 상기 가지치기 단계에서 가지치기된 상기 훈련된 심층 신경망을 양자화하기 위한 양자화 단계 및 상기 양자화 단계에서 양자화된 상기 훈련된 심층 신경망을 엔트로피 코딩하여 비트스트림으로 출력하기 위한 엔트로피 코딩 단계를 포함하고, 상기 가지치기 단계에서는, 상기 훈련된 심층 신경망을 기술하는 요소들에 대한 가치도를 계산하되, 상기 심층 신경망을 통하여 후방 전파되는 것을 반영하여 상기 가치도를 계산한다.
본 발명의 실시예에 의하면, 신경망의 성능을 저하를 최소화하면서 이동 단말기 등과 같이 스토리지 및 프로세서의 성능에 제약이 있는 장치에서도, 동영상을 이용하는 어플리케이션에 훈련된 심층 신경망을 적용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치가 구현된 컴퓨터 시스템의 구체적인 구성을 보여 주는 블록도이다.
도 2는 심층 신경망 압축 장치의 구성의 일례를 보여 주는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 훈련된 심층 신경망의 일례를 보여 주는 도면으로서, 컨볼루션 신경망(CNN)인 경우이다.
도 4는 본 발명의 일 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치의 가지치기 유닛에서의 가지치기 방법의 일례를 보여 주는 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치의 가지치기 유닛에서의 가지치기 방법의 일례를 보여 주는 흐름도이다.
도 6은 양자화 유닛에서의 양자화 과정의 일례로서, 적응적 양자화 과정의 일례를 보여 주는 흐름도이다.
도 7은 본 발명의 다른 실시예에 따른 양자화 과정을 보여 주는 흐름도이다.
도 2는 심층 신경망 압축 장치의 구성의 일례를 보여 주는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 훈련된 심층 신경망의 일례를 보여 주는 도면으로서, 컨볼루션 신경망(CNN)인 경우이다.
도 4는 본 발명의 일 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치의 가지치기 유닛에서의 가지치기 방법의 일례를 보여 주는 흐름도이다.
도 5는 본 발명의 다른 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치의 가지치기 유닛에서의 가지치기 방법의 일례를 보여 주는 흐름도이다.
도 6은 양자화 유닛에서의 양자화 과정의 일례로서, 적응적 양자화 과정의 일례를 보여 주는 흐름도이다.
도 7은 본 발명의 다른 실시예에 따른 양자화 과정을 보여 주는 흐름도이다.
이하, 도면을 참조하여 본 발명의 바람직한 실시형태 및 실시예를 설명한다. 다만, 이하의 실시형태 및 실시예는 본 발명의 바람직한 구성을 예시적으로 나타내는 것일 뿐이며, 본 발명의 범위는 이들 구성에 한정되지 않는다. 그리고 이하의 설명에 있어서, 장치의 하드웨어 구성 및 소프트웨어 구성, 처리 흐름, 제조조건, 크기, 재질, 형상 등은, 특히 특정적인 기재가 없는 한, 본 발명의 범위를 이것으로 한정하려는 취지인 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치가 구현된 컴퓨터 시스템(100)의 구체적인 구성을 보여 주는 블록도이다.
도 1을 참조하면, 컴퓨터 시스템(100)은 하나 또는 이상의 프로세서(110), 입출력 장치 인터페이스(120), 네트워크 인터페이스(130), 인터컨넥터(BUS, 140), 메모리(150) 및 스토리지(160)을 포함한다. 이러한 컴퓨터 시스템(100)은 단일의 컴퓨팅 장치로 구성한 특정한 하나의 장치이거나 또는 하나 이상의 프로세서와 하나 이상의 관련 메모리를 포함하여 구성된 다수의 장치일 수 있다.
프로세서(110)는 메모리(150) 또는 스토리지(160)에 저장되어 있는 프로그래밍 명령어를 가져와서 실행한다. 마찬가지로, 프로세서(110)는 메모리(150)에 어플리케이션 데이터를 저장하거나 또는 가져온다. 입출력 장치 인터페이스(120)는, 키보드, 디스플레이 및 마우스 장치 등과 같은 입출력 장치(12)를 컴퓨터 시스템(100)에 연결하기 위한 것이다. 네트워크 인터페이스(130)는 유선이나 무선을 통해 자체망(인트라넷)이나 인터넷, 무신통신 네트워크 등과 같은 외부망과 통신하기 위한 것으로, 데이터 통신 네트워크(14)를 통해 데이터를 전송한다.
인터컨넥터(140)는, 프로세서(110)와 입출력 장치 인터페이스(120), 스토리지(160), 네트워크 인터페이스(130) 및 메모리(150) 각각의 사이에서, 프로그래밍 명령어 및 어플리케이션 데이터를 전송하는 기능을 수행한다. 이러한 인터컨넥터(140)는 하나 이상의 버스(BUS)일 수 있다. 프로세서(110)는 단일의 중앙처리장치(CPU)이거나 또는 복수의 CPU, 다양한 구현예에서 복수의 프로세싱 코어를 갖는 단일의 CPU로 구현될 수 있다. 일 측면에 의하면, 프로세서(110)는 디지털 신호 프로세서(Digital Signal Processor, DSP)일 수 있다.
메모리(150)는 일반적으로 SRAM(Static Random Access Memory), DRAM(Dynamic Random Access Memory) 또는 플래시(Flash) 등과 같은 메모리랜덤 엑세스 메모리를 포함한다. 스토리지(160)는 일반적으로 하드 디스크 드라이브, SSD(Solid State Device), 제거 가능한 메모리 카드, 광 스토리지, 플래시 메모리 디바이스, NAS(Network Attached Storage) 또는 SAN(Storage Area Device)에의 연결(connections) 등과 같은 비휘발성 메모리를 포함한다.
컴퓨터 시스템(100)은 하나 이상의 운영 체제(Operating System, OS, 164)를 포함할 수 있다. 운영 체제(164)는 일부는 메모리(150)에 저장되고 나머지 일부는 스토리지(160)에 저장될 수 있다. 이와는 달리, 운영 체제(164)는 전체가 메모리(150)에 저장되거나 또는 스토리지(160)에 저장될 수도 있다. 운영 체제(164)는, 프로세서(110), 입출력 장치 인터페이스(110), 네트워크 인터페이스(130) 등과 같은 다양한 하드웨어 리소스들 사이에서 인터페이스를 제공한다. 또한, 운영 체제(164)는 어플리케이션 프로그램을 위한 시간 기능(time function) 등과 같은 공통 서비스를 제공한다.
심층 신경망 압축 장치(152)는 코딩 도구의 훈련된 심층 신경망, 예컨대 훈련된 심층 컨블루션 신경망(Deep Convolutional Neural Network)을 압축하여 비트스트림으로 출력한다. 즉, 심층 신경망 압축 장치(152)는 학습된 또는 훈련된 코딩 도구의 심층 신경망을 압축하여, 호환 가능한 포맷으로 기술하기 위한 수단이다. 이에 의하면, 결과물인 압축된 심층 신경망은 코딩 도구 신경망의 상호운용 가능한 압축 표현(interoperable compressed representation of neural networks)에 해당된다. 코딩 도구의 훈련된 심층 신경망을 압축하기 위하여, 심층 신경망 압축 장치(152)는, 훈련된 심층 신경망에 대한 가지치기(pruning), 양자화(quantization) 및 엔트로피 코딩(entropy coding)을 포함하는 일련의 과정을 수행하여, 비트스트림을 출력한다.
도 2는 심층 신경망 압축 장치(152)의 구성의 일례를 보여 주는 블록도이다. 도 2를 참조하면, 심층 신경망 압축 장치(152)는 가지치기 유닛(22), 양자화 유닛(24) 및 엔트로피코딩 유닛(26)을 포함한다. 전술한 바와 같이, 심층 신경망 압축 장치(152)는, 코딩 유닛의 훈련된 심층 신경망을 압축하여 비트스트림으로 출력한다.
심층 신경망 압축 장치(152)으로의 입력은 코딩 유닛의 훈련된 심층 신경망을 기술하기 위한 다양한 정보와 파라미터들을 포함한다.
우선, 심층 신경망 압축 장치(152)으로의 입력은 여러가지 상위 레벨 정보를 포함한다. 예를 들어, 상위 레벨 정보는, 해당 심층 신경망(DNN) 기반 코딩 도구의 유형을 지시하는 정보를 포함할 수 있다. DNN 기반 코딩 도구는 2가지 유형이 존재할 수 있다. 보다 구체적으로, DNN 기반 코딩 도구는 인코더 및 디코더 모두에 필수적인 기능을 구현하는 제1 유형 코딩 도구와, 인코더와 디코더 중에서 어느 하나에만 필수적인 기능을 구현하는 제2 유형 코딩 도구의 두 가지가 존재한다. 이것은 이미지/비디오 코딩에서, 일부의 코딩 도구, 즉 제1 유형 코딩 도구는 인코더와 디코더 모두에 요구되는 것이고, 나머지 다른 일부의 코딩 도구, 즉 제2 유형 코딩 도구는 인코더와 디코더 중에서 어느 하나에만 요구되는 기능이기 때문이다. 예를 들어, 비디오 코딩 과정에서, 인-루프 필터링 과정은 인코더와 디코더 모두에서 행해지는 제1 유형 코딩 도구의 기능에 해당하지만, 인트라 모드 예측 과정은 오직 인코더에서만 행해지는 제2 유형 코딩 도구의 기능에 해당되며, 디코더로는 오직 결정된 예측 모드 정보만이 보내진다. 따라서 두 가지 유형의 DNN 기반 코딩 도구가 고려되어야 하며, 이러한 DNN 기반 코딩 도구의 유형(type)은 반드시 훈련된 DNN 기반 코딩 도구의 상위 레벨 정보로서 표시가 되어야 한다.
그리고 상위 레벨 정보로는 DNN 기반 코딩 도구의 전반적인 구성에 관한 정보를 포함한다. 보다 구체적으로, 훈련된 DNN 기반 도구의 구성과 관련된 상위 레벨 정보로는, 인식(recognition), 분류(classification), 생성(generation), 차별화(discrimination) 등과 같은 해당 신경망의 기본 기능의 관점에서 본 타겟 어플리케이션(target application)에 관한 정보, 훈련된 DNN 기반 코딩 도구의 유형을 지시하는 정보, 인코더가 특정 부호화 과정의 수행시에 훈련된 도구 신경망을 추론 엔진에 적용하는 것과 규격화된 이미지 또는 비디오 부호화 도구를 적용하는 것 중에서 무엇을 선택하였는지를 지시하는 정보, 최적화된 콘텐츠 유형(customized content type)에 관한 정보, 오토인코더(autoencoder), CNN(Convolutional Neural Network), GAN(Generative Adversarial Network), RNN(Recurrent Neural Network) 등과 같은 훈련된 DNN 기반 신경망의 알고리즘에 관한 기초 정보, 트레이닝 데이터 및/또는 테스트 데이터에 관한 기본 정보, 메모리 용량 및 컴퓨팅 파워의 관점에서 추론 엔진에 요구되는 능력에 관한 정보, 모델 압축에 관한 정보 등을 포함한다.
심층 신경망 압축 장치(152)으로의 입력은 훈련된 심층 신경망를 기술하는 다양한 파라미터들을 포함한다. 다양한 파라미터들은 커널, 뉴런, 연결의 가중치들을 포함한다. 이하, 심층 신경망의 일례인 컨볼루션 신경망(CNN)의 아키텍쳐를 참조하여, 이에 대하여 보다 구체적으로 설명한다.
도 3은 본 발명의 일 실시예에 따른 훈련된 심층 신경망의 일례를 보여 주는 도면으로서, 컨볼루션 신경망(CNN)인 경우이다. 도 3을 참조하면, CNN(200)은 입력 계층(imput layer, 210), 컨볼루션 계층(convolutional layer, 215), 서브샘플링 계층(220), 컨볼루션 계층(225), 서브샘플링 계층(230), 전연결 계층(fully connected(FC) layer, 235, 240) 및 출력 계층(245)를 포함한다. 도 3에 도시된 예에서 입력 계층(210)은 32×32 픽셀 이미지를 받아들이도록 구성되어 있으며, 컨볼루션 계층(215)은 입력 계층으로부터 6개의 28×28 특성맵(feature map)을 생성한다.
이와 같이, 도 3에는 특정한 CNN의 구성이 도시되어 있지만, 보다 일반적으로 CNN은 각각 서브 샘플링 단계를 가지는 하나 또는 그 이상의 컨볼루션 계층과, 그리고 하나 또는 그 이상의 전연결 계층을 포함하여 구성된다. 일반적으로, 도시된 CNN 아키텍쳐는 입력 이미지의 2차원 구조를 이용하기 위하여 고안되었다. 예를 들어, CNN은 국부적인 연결과, 특정 형태의 풀링이 뒤따르는 연결된 가중치를 이용하여 이를 달성한다. 일반적으로, 유사한 수의 은닉 유닛을 갖는 전연계 네트워크와 비교하여, CNN은 훈련하기가 보다 쉬우며, 보더 적은 파라미티러를 가지는 경향이 있다.
일반적으로, CNN은 컨볼루션 계층과 서브샘플링 계층, 이에 뒤따르는 전연결 계층을 포함한다. 일 실시예에 따르면, CNN은 컨볼루션 계층에서 x×y×z의 이미지를 입력으로 받아들이는데, 여기서 x와y는 각각 이미지의 높이와 폭을 나타내며, z는 이미지에서의 채널을 나타낸다. 예컨대, RGB 이미지는 z=3의 채널을 가진다. 컨볼루션 계층은 a×b×c 크기의 필터(커널)을 포함할 수 있는데, 여기서 a×b는 x×y보다 작고, c는 z보다 작거나 같다. 일반적으로, 필터 k의 크기가 국부적으로 연결된 구조를 초래하는데, 이것은 이미지와 컨볼루션되어서 k개의 특성맵을 생성한다. 또한, 각 특성맵은 다양한 크기의 인접한 영역에 걸쳐서 서브샘플링된다.
가지치기 유닛(22)은 훈련된 심층 신경망을 구성하는 노드(뉴런) 및/또는 이들의 연결 관계의 일부를 제거하여 신경망의 구성을 간략하게 하기 위한 것이다. 즉, 가지치기 유닛(22)에서는, 입력되는 가지치기 비율(input pruning rate)에 따라서 적절한 임계치를 찾아서(search threshold), 찾아낸 임계치 이하의 가중치는 모두 '0'으로 처리한다(pruning weight).
예컨대, 가지치기 유닛(22)은 미리 결정된 소정의 가지치기 비율(pruning rate)에 따라서, 훈련된 신경망(좌측)을 구성하는 뉴런들에서 일부(녹색 라인으로 표시된 뉴런들의 연결로서, 가중치가 임의의 임계치 이하인 연결)를 제거하며, 그 결과 푸른색으로 표시된 뉴런들의 연결만 남게 된다. 이에 의하면, 훈련된 신경망을 표현하는 가중치(weight value)가 소정의 임계치(threshold) 이하인 가중치는 모두 '0'으로 치환함으로써, 훈련된 신경망에 대한 표현을 간략화한다. 여기서, 임계치의 크기는 가지치기 비율에 따라서 달라질 수 있다. 가지치기 유닛(22)은 입력되는 가치지치 비율에 대응하는 임계치(threshold value)을 찾아서, 임계치 이하의 가중치들을 '0'으로 처리한다.
훈련된 심층 신경망의 여분(redundancy)을 감소시키는 직접적인 방법은 컨볼루션 계층의 커널과 FC 계층의 뉴런을 가지치기하는 것이다. 비록, 모델의 여분은 일반적으로 심층 신경망의 보편성을 증가시키지만, 심층 신경망의 여분을 선택적으로 감소시키는 것은, 적절하게 여분을 감소시킬 수 있어서, 모델의 예측력, 추론 속도, 메모리 사용, 스토리지 공간 및 파워 소비 사이의 균형을 달성할 수 있다. 비록 커널들과 뉴런들을 프루닝하는 것이 이득이 되지만, 무작위적으로 프루닝하거나 또는 뉴런과 커널의 수를 임의적으로 변경하는 것은 예측력에 있어서 큰 퇴보를 초래할 수 있다.
특성 추출의 관점에서 볼 때, 심층 신경망 모델의 커널과 뉴런은 특성 추출자로 간주될 수 있다. 따라서, 상당히 크기가 큰 특성을 직면한 경우, 가지치기 유닛(22)은 특성 선택 과정을 사용하여, 무관한 및/또는 여부의 특성을 개체화하고 과잉을 피한다. 일반적으로, 추출된 특성들에 특성 선택/순위화 방법을 적용하는 것은 각 특성 추출자의 중요성을 함축하고 있어서, 가지치기 유닛(22)이 덜 중요한 것을 프루닝하여, 심층 신경망의 예측력과 모델 과잉 사이의 균형을 달성할 수 있도록 한다. 그렇게 할 경우에, 가지치기 유닛(22)은 각 컨볼루션 및 FC 계층의 응답을 추출하고 특성 선택의 관점으로부터 그들의 가치도에 의하여 커널과 뉴런의 순위를 매겨서, 덜 가치가 있는 것들을 가지치기한다. 가지치기 유닛(22)은 또한 선택된 가치있는 특성 추출자들을 보다 크기가 작은 심층 신경망의 시작점으로 사용하여 보다 작은 학습율로 미세 튜닝을 수행하여 예측력을 회복할 수 있다.
커널과 뉴런을 선택적으로 프루닝하는 것에 있어서 하나의 장애물은, 컨볼루션 계층과 FC 계층에 의하여 추출된 특성들의 차원이 여전히 크다는 것이다. 따라서 본 발명의 실시예에 따른 가지치기 유닛(22)은, 심층 신경망의 크기를 줄이면서 동시에 예측력을 유지하기 위하여, 가치도 점수 후방 전파를 수행한다. 일 실시예에 의하면, 가지치기 유닛(22)은 심층 신경망의 보다 높은 레벨, 예컨대 분류기의 입력들에 가치도 점수를 부여하고, 그리고 심층 신경망의 하위 레벨들로 가치도 점수를 후방 전파시킬 수 있다. 이러한 가치도 점수 후방 전파를 통하여, 가지치기 유닛(22)은 전체 심층 신경망의 특성 추출자들의 가치도를 효과적으로 측정할 수 있을 뿐만 아니라 전체 망을 통해 일관되게 수행하는 것이 가능하다.
도 4는 본 발명의 일 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치(152)의 가지치기 유닛(22)에서의 가지치기 방법의 일례를 보여 주는 흐름도이다.
도 4를 참조하면, 가지치기 유닛(22)은 코딩 도구의 훈련된 심층 신경망에 대한 특성을 추출한다(S10). 이 과정은 훈련된 심층 신경망으로부터 심층 신경망 응답을 추출하는 과정에 해당된다.
그리고 가지치기 유닛(22)은 각 특성 추출자에 대하여 가치도 점수를 계산하여 측정한다(S12). 본 단계에서는 가지치기 유닛(22)은 추출된 특성들에 대하여 가치도 점수를 계산하는데, 이하에서는 그 방법의 일례에 대하여 설명한다. 이하의 설명에서는, 공간적으로 정사각형인 3-방향 텐서에 대하여 설명하지만, 다른 구성에 대해서도 확장하여 적용될 수 있다. 출력 텐서 크기 Y×Y×F(여기서, Y는 공간 크기이고, F는 출력 채널의 수이다)를 갖는 컨볼루션 계층에 대하여, 가지치기 유닛(22)은 우선, 공간 위치(i, j)를 갖는 f번째 출력 채널의 각 위치에 대한 가치도 점수 ISijf를 획득한다. 일 실시예에 의하면, 가지치기 유닛(22)은 수학식 1을 사용하여 f번째 출력 채널에 대한 가치도 점수를 계산한다.
일반적으로, 특성 선택에는 3가지의 주요한 카테고리가 존재한다. 첫 번째는 분류기를 사용하여 특성들의 부분집합에 대하여 점수를 부여하는 래퍼(wrapper)이고, 두 번째는 규칙화 방법에 의하여 분류기의 훈련 과정에서 특성들을 잠재적으로 선택하는 임베디드 방법이며, 그리고 세 번째는 분류기와 상관없이 데이터의 고유한 특성을 이용하는 필터 방법이다. 일 실시예에 의하면, 가지치기 유닛(22)은, 사전에 훈련된 모델의 응답에 기초하여 특성 선택을 수행하도록 고안되어 있을 수 있다. 특정한 실시예에서, 가지치기 유닛(22)은 특성 순위화를 수행하기 위하여 무한 특성 선택(Infinite Feature Selection) 필터 알고리즘을 사용할 수도 있다. 일반적으로, 무한 특성 선택 필터 알고리즘을 수행할 때, 가지치기 유닛(22)은 특성 선택 문제를 친화도 그래프에 대응시키는데, 여기서 각 정점이 하나의 특성이고, 정점들 사이의 가장자리는 관계인데, 이들의 중요도는 변수의 함수와 정점쌍의 상호 연관에 의해 정의된다. 그래프에서 각각의 경로(정점들과 가장자리들의 집합)는 특성 부분집합으로 간주되며, 경로 비용은 가장자리 가중치의 합이다. 따라서, 무한 특성 선택 필터 알고리즘을 수행할 경우에는, 가지치기 유닛(22)은, 모든 가장한 특성들의 부분집합을 고려하면서 주어진 특성의 가치도를 평가하므로, 각 특성의 점수는 모든 다른 특성들에 의하여 영향을 받는다.
전술한 바와 같이, 가지치기 유닛(22)은 특성 추출자의 가치도를 특정한다(S12). 예를 들어, 가지치기 유닛(22)은 무한 특성 선택 필터 알고리즘에 따른 출력을 각 특성의 가치도 점수로 고려할 수 있다. 일 실시예에 의하면, 각 뉴런의 응답은 컨볼루션에 의해 계산된다. 가지치기 유닛(22)은 심층 신경망의 가중치를 레버리지하여 특성 추출자의 가치도를 대응시킬 수 있다. 뉴런 A의 경우에, 뉴런의 가치도 점수를, 뉴런 A에 연결되어 있는, FC 계층 또는 컨볼루션 계층인 이전 계층의 뉴런들에, 연결의 가중치에 비례하여 후방 전파한다. FC 계층에서 뉴런들에 대한 가치도 점수 벡터가 주어지면, 가지치기 유닛(22)은 순위에 기초하여 뉴런들을 가지치기할 수 있다.
일단 가치도 점수가 계산이 되면, 가지치기 유닛(22)은, 출력 채널의 가치도 점수의 순위에 기초하여 덜 중요한 커널들을 가지치기한다(S14). 일 실시예에 의하면, 가지치기 유닛(22)에 의하여 사용되는 가지치기 비율은, 분류 성능과 모델 과잉 사이의 균형을 고려한 소정의 파라미터에 의하여 결정될 수 있다. 그리고 가지치기 유닛(22)은, 가지치기된 심층 신경망에 대하여 필요한 미세 조정을 수행한다(S16).
도 5는 본 발명의 다른 실시예에 따른 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치(152)의 가지치기 유닛(22)에서의 가지치기 방법의 일례를 보여 주는 흐름도이다. 본 실시예에 따른 가지치기 방법은, 가치도 점수의 후방 전파를 사용한다는 점에서, 전술한 실시예와 차이가 있다.
도 5를 참조하면, 가지치기 유닛(22)은 코딩 도구의 훈련된 심층 신경망의 고레벨 계층에 대한 특성을 추출한다(S20). 이 과정은 훈련된 심층 신경망의 고레벨 계층으로부터 심층 신경망 응답을 추출하는 과정에 해당된다.
그리고 가지치기 유닛(22)은 각 특성 추출자에 대하여 가치도 점수를 계산하여 측정한다(S22). 예를 들어, 가지치기 유닛(22)은 전술한 수학식 1을 사용하여 가치도 점수를 계산할 수 있다. 계산된 가치도 점수는 심층 신경망의 커널과 뉴런을 선택적으로 가지치기하는데 사용될 수 있으며, 본 실시예에서는 고레벨 계층부터 가지치기를 시작한다.
계속해서, 가지치기 유닛(22)은 선택된 특성 추출자의 가치도 점수를 후방전파시킨다(S24). 이 경우에, 가지치기 유닛(22)은 가지치기되어서 이미 제거된 뉴런과 커널은 무시할 수 있다. 만일, 심층 신경망이 최종 분류기 이전에 FC 계층이 없는 신경망인 경우에는, 가지치기 유닛(22)은, 마지막 컨볼루션 계층의 평탄화된 응답에 대하여 특성 선택을 수행할 수 있다.
일반적으로, 가지치기 유닛(22)은, 심층 신경망의 하류 커널 및 뉴런으로부터 심층 신경망의 상류 커널 및 뉴런으로 가치도를 전달하기 위하여, 가치도 후방 전파를 사용할 수 있다. 예를 들어, 특정한 뉴런이 소정의 가중치를 갖는 경우에, 가지치기 유닛(22)은, 뉴런의 활성도를 계산하기 위하여 이전에 사용된 뉴런을 식별하여, 해당 계층의 동작에 상응하는 가중치에 비례하여 뉴런의 가치도를 후방 전파한다.
그리고 가지치기 유닛(22)은 후방 전파된 가치도 점수의 결과에 기초하여 가지치기를 수행한 다음(S26), 가지치기된 심층 신경망에 대하여 필요한 미세 조정을 수행한다(S28).
계속해서 도 2를 참조하면, 양자화 유닛(24)은 가지치기 유닛(22)의 출력들, 즉 가중치들에 대한 양자화를 수행한다. 이를 위하여, 입력되는 양자화 비트(input quantization bits)에 기초하여 양자화를 수행하는데, 최대/최소값(Max/Min vaules)을 추출하여 양자화된 가중치를 출력한다.
본 실시예의 일 측면에 의하면, 양자화를 위하여 입력되는 파라미터들의 분포를 고려함으로써 양자화 오차(quantization error)를 감소시키기 위하여, 양자화 유닛(24)은 적응적 양자화(adaptive quantization)를 수행할 수도 있다. 적응적 양자화 과정에서는 압축된 정수 가중치 파일과 코드북이 입력되며, 양자화 레벨(quantization level, rk) 및 양자화 영역 경계(quantization region boundary, dk)는 수학식 2로 표현될 수 있다.
이러한 적응적 양자화 과정의 일례는 도 6에 도시되어 있다.
도 6에 도시된 것과 같은 적응적 양자화 과정에서, 만일 양자화 오차가 충분히 낮지 않은 경우에는, 불균일 양자화가 균일 양자화로 대체될 수 있다. 이에 의하면, 입력은 계층 수를 지시하는 구성 파일을 포함한다. 그리고 만일 양자화 오차의 크기가 균일 양자화보다 큰 경우에는, 불균일 양자화 대신에 균일 양자화가 사용될 수 있다.
도 7은 본 발명의 다른 실시예에 따른 양자화 과정을 보여 주는 흐름도이다. 도 7에 도시된 양자화 과정은, 뉴럴넷의 가중치 값을 양자화한 값(integer, 정수)을 이진화 형태로 저장하는 기존의 양자화 과정을 추가/보완하였다. 도 7에 도시된 양자화 과정에 의하면, 손실 코딩(Lossy coding)은 양자화 뿐만 아니라 다른 기법을 사용할 수도 있으며, 예를 들면 가중치 값 행렬에서 분할적으로 코딩하는 방법일 수 있다(부호화 효율이 좋은(RD(Rate distortion) 등으로 추정) 분할 맵을 결정). 추가적으로, 가중치 값들을 양자화한 값들을 무손실 코딩인 엔트로피 코딩(산술코딩, CABAC, 팔레트, 인덱스맵코딩 등)으로 이진화 파일을 만들어낸다. 또한 디코딩(or decompression) 과정에서는 이진화 파일 (bitstream)등을 입력값을 두면 복원(reconstruction)을 진행하는데, 이 때 뉴럴넷 모델 복원(reconstruction)을 전체를 진행할 지 또는 일부만 수행할 것인지에 대한 정보도 포함될 수 있다.
계속해서 도 2를 참조하면, 엔트로피 코딩 유닛(26)에서는 양자화된 가중치와 인덱스 각각을 소정의 알고리즘(예컨데, 엔트로피 부호화)에 따라서 부호화를 수행하며, 그 결과 압축된 심층 신경망의 비트 스트림이 출력된다. 본 실시예에 의하면, 엔트로피 부호화의 구체적인 과정에 대해서는 특별한 제한이 없으며, 당업계에서 공지된 것이라면, 엔트로피 부호화의 특성상 본질적으로 적용이 불가능한 알고리즘이 아니라면, 제한없이 적용될 수 있다.
전술한 바와 같이, 이상의 설명은 실시예에 불과할 뿐이며 이에 의하여 한정되는 것으로 해석되어서는 안된다. 본 발명의 기술 사상은 후술하는 특허청구범위에 기재된 발명에 의해서만 특정되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다. 따라서 전술한 실시예가 다양한 형태로 변형되어 구현될 수 있다는 것은 통상의 기술자에게 자명하다.
Claims (4)
- 동영상 코딩을 구성하는 코딩 유닛의 훈련된 심층 신경망을 선택적으로 가지치기하기 위한 가지치기 유닛;
상기 가지치기 유닛에 의하여 가지치기된 상기 훈련된 심층 신경망을 양자화하기 위한 양자화 유닛; 및
상기 양자화 유닛에 의하여 양자화된 상기 훈련된 심층 신경망을 엔트로피 코딩하여 비트스트림으로 출력하기 위한 엔트로피 코딩 유닛을 포함하고,
상기 심층 신경망은 하나 이상의 컨볼루션 계층과 하나 이상의 전연결 계층을 포함하는 컨볼루션 신경망(CNN)이고,
상기 가지치기 유닛은, 상기 컨볼루션 신경망의 제1 계층과, 상기 제1 계층보다 하위 레벨인 제2 계층 각각의 커널 또는 뉴런에 대한 가치도 점수를 계산한 다음 계산된 상기 가치도 점수에 기초하여 상기 제1 계층 및 제2 계층 각각에 대한 가지치기를 수행하고,
상기 제2 계층의 커널 또는 뉴런에 대한 가치도 점수는, 상기 제1 계층에 대한 가지치기를 수행하여 제거된 상기 제1 계층의 커널 또는 뉴런은 무시하고 남아 있는 상기 제1 계층의 커널 또는 뉴런만의 가치도 점수를 반영하는, 가치도 점수의 후방 전파를 수행하여 계산되는 것을 특징으로 하는 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치.
- 삭제
- 삭제
- 메모리 또는 스토리지에 저장되어 있는 프로그래밍 명령어를 가져와서 실행하는 프로세서를 포함하는 컴퓨터 시스템을 이용하여 동영상 코딩을 위한 훈련된 심층 인공 신경망을 압축하는 방법으로서,
동영상 코딩을 구성하는 코딩 유닛의 훈련된 심층 신경망을 선택적으로 가지치기하기 위한 가지치기 단계;
상기 가지치기 단계에서 가지치기된 상기 훈련된 심층 신경망을 양자화하기 위한 양자화 단계; 및
상기 양자화 단계에서 양자화된 상기 훈련된 심층 신경망을 엔트로피 코딩하여 비트스트림으로 출력하기 위한 엔트로피 코딩 단계를 포함하고,
상기 심층 신경망은 하나 이상의 컨볼루션 계층과 하나 이상의 전연결 계층을 포함하는 컨볼루션 신경망(CNN)이고,
상기 가지치기 단계에서는, 상기 컨볼루션 신경망의 제1 계층과, 상기 제1 계층보다 하위 레벨인 제2 계층 각각의 커널 또는 뉴런에 대한 가치도 점수를 계산한 다음 계산된 상기 가치도 점수에 기초하여 상기 제1 계층 및 제2 계층 각각에 대한 가지치기를 수행하고,
상기 제2 계층의 커널 또는 뉴런에 대한 가치도 점수는, 상기 제1 계층에 대한 가지치기를 수행하여 제거된 상기 제1 계층의 커널 또는 뉴런은 무시하고 남아 있는 상기 제1 계층의 커널 또는 뉴런만의 가치도 점수를 반영하는, 가치도 점수의 후방 전파를 수행하여 계산되는 것을 특징으로 하는 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190117793A KR102368447B1 (ko) | 2019-09-24 | 2019-09-24 | 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190117793A KR102368447B1 (ko) | 2019-09-24 | 2019-09-24 | 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210035678A KR20210035678A (ko) | 2021-04-01 |
KR102368447B1 true KR102368447B1 (ko) | 2022-02-28 |
Family
ID=75441407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190117793A KR102368447B1 (ko) | 2019-09-24 | 2019-09-24 | 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102368447B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024112126A1 (ko) * | 2022-11-25 | 2024-05-30 | 현대자동차주식회사 | 코딩트리유닛의 분할구조를 예측하고 수정하는 비디오 부호화/복호화 방법 및 장치 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102552478B1 (ko) * | 2021-09-07 | 2023-07-11 | 주식회사 노타 | 레이어 별 경량화를 통한 딥러닝 모델 최적화 방법 및 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9231616B2 (en) * | 2011-08-05 | 2016-01-05 | Broadcom Corporation | Unified binarization for CABAC/CAVLC entropy coding |
CN107925762B (zh) | 2015-09-03 | 2020-11-27 | 联发科技股份有限公司 | 基于神经网络的视频编解码处理方法和装置 |
KR20180105294A (ko) * | 2017-03-14 | 2018-09-28 | 한국전자통신연구원 | 이미지 압축 장치 |
-
2019
- 2019-09-24 KR KR1020190117793A patent/KR102368447B1/ko active IP Right Grant
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024112126A1 (ko) * | 2022-11-25 | 2024-05-30 | 현대자동차주식회사 | 코딩트리유닛의 분할구조를 예측하고 수정하는 비디오 부호화/복호화 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20210035678A (ko) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3555844B1 (en) | Method and device for processing multi-channel feature map images | |
US11516473B2 (en) | Bandwidth compression for neural network systems | |
KR102332490B1 (ko) | 심층 신경망용 압축 방법, 칩, 전자 장치 및 매체 | |
CN113574882B (zh) | 使用深度生成性模型的视频压缩 | |
Nagaraj et al. | Competent ultra data compression by enhanced features excerption using deep learning techniques | |
US10599935B2 (en) | Processing artificial neural network weights | |
Gregor et al. | Towards conceptual compression | |
KR20210135465A (ko) | 훈련된 심층 신경망의 압축 장치가 구현된 컴퓨터 시스템 | |
CN110309847B (zh) | 一种模型压缩方法及装置 | |
US20200143250A1 (en) | Method and apparatus for compressing/decompressing deep learning model | |
EP3766021B1 (en) | Cluster compression for compressing weights in neural networks | |
KR20220137076A (ko) | 이미지 프로세싱 방법 및 관련된 디바이스 | |
KR102368447B1 (ko) | 동영상 코딩을 위한 훈련된 심층 인공 신경망의 압축 장치 및 방법 | |
KR20200109904A (ko) | Dnn 기반 이미지 또는 비디오 코딩을 위한 시스템 및 방법 | |
KR20200005402A (ko) | 도구 단위의 dnn 기반 이미지 또는 비디오 코딩을 위한 시스템 및 방법 | |
KR20220058628A (ko) | 신경망 모델 압축 | |
CN114096987A (zh) | 视频处理方法及装置 | |
KR20210131894A (ko) | 훈련된 심층 신경망의 압축 장치 및 방법 | |
CN114071141A (zh) | 一种图像处理方法及其设备 | |
KR102454420B1 (ko) | 초해상화를 수행하는 인공 신경망의 가중치를 처리하는 방법 및 장치 | |
JP6748022B2 (ja) | 分割形状決定装置、学習装置、分割形状決定方法及び分割形状決定プログラム | |
CN115409697A (zh) | 一种图像处理方法及相关装置 | |
Ettaouil et al. | Image medical compression by a new architecture optimization model for the Kohonen networks | |
KR20210035679A (ko) | 비디오 코딩 도구의 훈련된 심층 인공 신경망의 압축 장치 및 방법 | |
CN115115835A (zh) | 图像的语义分割方法、装置、设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |