Deep Neural Network Optimization Techniques for Advanced Driver Assistance Systems

Abstract

최근 Deep Convolutional Neural Networks(심층 CNN)은 물체 인식 및 영상 처리 등 분야에서 빠르게 인기를 얻고 있다. 사람들의 요구가 증가함에 따라 심층 신경망의 지속적인 개발이 촉진되었다. 심층 CNN에는 많은 계산과 많은 저장이 필요하기 때문에 연구자들이 가속기 설계에 매우 관심이 있다. AI 가속기를 효과적으로 설계하기 위해 본 연구에서는 메모리 (DRAM 및 SRAM) 및 컴퓨팅 모듈을 포함한 전체 시스템의 설계 공간을 연구하려고 한다. 설계자는 전체 시스템의 설계를 최적화하기 위해 SRAM의 크기와 계산 모듈의 크기를 변경하여 설계 공간을 할 수 있다. 계산 및 데이터 전송 처리 시간을 추정하려면 파이프 라이닝 및 병렬 처리를 고려한다. SRAM 크기와 컴퓨팅 모듈 크기를 수정함으로써 설계자는 설계 공간을 효과적으로 연구한 다음 가장 낮은 비용으로 필요한 성능 지표를 달성 할 수 있는 최상의 아키텍처를 선택할 수 있다. 또한 자율 주행에서는 물체 인식 (예 : 보행자 인식 및 차량 인식)이 매우 중요하다. 그 중에 교통 표지판 인식도 매우 중요하므로 YOLOv4 시스템 기반으로 교통 표지판 인식 연구 개선을 제안하였다. Korean Traffic Sign Detection KTSD 데이터 세트에서 평균 정밀도 (MAP) 95.07 % (YOLOv4 결과 90.85 %)를 얻었다. 우리는 YOLOv4의 결과와 비교하여 평균 인식 정확도가 더 좋다는 것을 발견했다.; Deep Convolutional Neural Networks (CNN) are rapidly becoming popular in a range of applications like image processing and object detection. With the increase of people's needs, the continuous development of deep neural networks has been promoted. Since deep CNN requires a lot of calculation and a lot of storage, many researchers are very interested in accelerator design. In order to design AI accelerators effectively, in this research, we try to explore the design space of the entire system, including memory (DRAM and SRAM) and computing modules. Designers can explore the design space by changing the size of the SRAM and the size of the calculation module to optimize the design of the entire system. Consider pipelining and parallel processing to estimate the calculation and data transmission inference processing time. By modifying the on-chip SRAM size and computing module size, designers can effectively explore the design space, and then select the best architecture that can achieve the required performance indicators at the lowest cost. In addition, in autonomous driving, detection and recognition of dynamic/static objects (such as pedestrians and vehicles) are very important. Of course, the detection of traffic signs is also very important, so we suggest improving the research of traffic sign recognition based on YOLOv4 system. In order to achieve a better recognition effect. On the Korean Traffic Sign Detection (KTSD) data set, we obtained a MAP value of 95.07% (the result of YOLOv4 is 90.85%). MAP means mean average precision. We compared it with the results of YOLOv4 and found that our average recognition accuracy is better.