자율주행 시스템에서는 CNN 기반 딥러닝 기술이 널리 활용된다. 기존 추론 기법은 매 프레임 전체 연산을 수행하고, 계산된 결과를 다음 프레임에서 활용하지 못해 비효율적이다. ROI-CNN 기법은 변화 영역만 연산하여 연산량을 줄이지만, 잡음과 경계 불안정성으로 성능 저하와 정보 손실이 발생한다. 본 연구에서는 이러한 한계를 극복하기 위해, 이전 프레임의 특징 맵 (Feature Map)을 메모리에 저장해 재사용하고, 변화가 감지된 영역에 필터를 적용하여 정밀하게 분석하는 메모리 기반 ROI-CNN 기법을 제안한다. 제안 방식은 중복 연산을 줄이는 동시에 변화 영역만 효과적으로 처리하여 기존 방식 대비 효율성과 정확도를 향상시킨다. 실험을 통해 기존 방식 대비 연산량을 약 29.66% 감소시켰으며, RMSE (Root Mean Square Error)는 약 10.3% 소폭 증가에 그쳤다. 이러한 연산량 감소를 통한 전력 절약은 자율주행 차량의 에너지 효율성 향상에 기여하며, 자율주행 시스템에서 요구되는 효율성과 정확성의 균형을 달성했다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.