본 논문은 지능형 교통 시스템 또는 자율주행차를 위한 분산 딥러닝 기법에 기반한 이미지 탐지에 관해 다룬다. 도로 감시를 위한 CCTV(폐쇄회로 텔레비전)와 같은 엣지 디바이스에 배치된 신경망의 정확도와 정밀도는 소규모 데이터셋에서는 손상될 수 있으며, 이로 인해 표적에 대한 오판이 발생할 수 있다. 이러한 문제를 해결하기 위해 TensorFlow와 PyTorch를 사용하여 다양한 분산 모델 병렬 및 데이터 병렬 기법을 초기화하였다. 해당 기법들의 적용에는 성공했으나, 통신 제약과 함께 일부 속도 문제도 관찰되었다. 이에 따라, 그라디언트 간의 오커뮤니케이션을 방지하기 위해 all-reduced 알고리즘과 NVlinks를 통해 데이터셋 분산과 모델 분산을 모두 결합하는 하이브리드 파이프라인을 제안하였다. 제안된 접근법은 엣지 클러스터와 Google 클러스터 환경 모두에서 시험되었으며, 다른 시험 설정과 비교하여 우수한 성능을 보였다. 또한 경계 박스 탐지 시스템의 품질은 신뢰성이 향상되면서 기대에 부합함을 확인하였다. 총 훈련 시간, 초당 이미지 수(images/second), 교차 엔트로피 손실(cross-entropy loss), 에포크 수에 대한 총 손실(total loss) 등 성능 지표를 평가한 결과, TensorFlow와 PyTorch 간에 견고한 경쟁 구도가 나타났다. PyTorch 환경의 하이브리드 파이프라인은 다른 시험 설정을 능가하였다.

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