Hardware-Software Co-Design for Real-Time Video Processing in Edge Intelligence
연구 내용
자원 제약 환경에서 딥러닝 추론과 영상처리를 효율화하기 위해 FPGA·MPSoC 기반 실시간 구조와 소프트웨어 배포·스케줄링을 함께 최적화하는 연구
자원 제약 환경에서 딥러닝 추론과 영상처리를 동시에 만족시키기 위한 구조를 연구합니다. DNN 추론을 위한 모델 압축, 컴파일러 최적화, 하드웨어–소프트웨어 공동 설계 관점을 정리하고 엣지 플랫폼에서의 지연·에너지·정확도 트레이드오프를 분석합니다. 또한 실시간 영상 스트림 처리 관점에서 FPGA 가속기를 설계하고, 카메라 연계에 필요한 인터페이스와 더블 버퍼링 같은 시스템 수준 구성요소를 함께 고려합니다. 이를 통해 안개 제거와 같은 전처리 기능을 실시간 비전 파이프라인에 안정적으로 통합하는 방법을 도출합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 엣지 장치에서 DNN 추론이 직면하는 메모리·연산·에너지 제약을 정리하고, 모델 압축과 최적화가 실제 배포에 미치는 영향을 비교했습니다. 이후 영상처리 전처리 알고리즘을 실시간으로 수행하기 위해 FPGA 기반 가속 구조를 도입하고, 수신 영상 스트림의 타이밍 제약을 처리하는 구현 전략을 확장했습니다. 다음 단계에서는 MPSoC 기반 멀티프로세서 구조와 인터페이스 회로를 결합하여 카메라 시스템에의 연계를 고려한 설계를 수행했습니다. 최근에는 런타임 적응성과 하드웨어 인지 스케줄링을 포함한 엣지 지능 배포 방향을 체계화하는 연구를 수행하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Edge Intelligence: A Review of Deep Neural Network Inference in Resource-Limited Environments
VBI-Accelerated FPGA Implementation of Autonomous Image Dehazing: Leveraging the Vertical Blanking Interval for Haze-Aware Local Image Blending
A Symmetric Multiprocessor System-on-a-Chip-Based Solution for Real-Time Image Dehazing