CNN 구조 개선과 가속기 타일링 최적화를 결합한 ML SoC 구현

Combined CNN Architecture Improvement and Accelerator Tiling Optimization for ML SoC

연구 내용

YOLOv5s 기반 객체 탐지의 특징 추출·다중스케일 융합·폐색 인식 성능을 개선하고, CNN 가속기의 loop tiling을 수학적으로 최적화하여 제한된 SRAM·MAC 자원에서 성능을 극대화하는 연구

자연 환경에서 조명 불균일, 잎·가지의 가림, 과실 중첩이 발생할 때 객체 탐지 정확도를 유지하기 위해 YOLOv5s의 특징 표현을 강화합니다. SE attention으로 채널 상관을 모델링하고, BiFPN으로 상·하위 피처를 가중 융합하여 다중스케일 표현을 보강합니다. 또한 CARAFE 기반 콘텐츠 인식 업샘플링을 적용해 공간 디테일을 증가시키고, Soft-NMS로 중첩 과실의 병합 오검출을 완화합니다. 하드웨어 구현 관점에서는 CNN 가속기의 loop tiling이 연산·통신 제약 조건 사이 경계와 성능에 미치는 영향을 폐형식 표현으로 규명합니다. SRAM 버퍼 또는 MAC 배열 크기 제약 하에서 타일 크기를 최적화하여 불필요한 메모리 증가를 회피하고, 전수 탐색 없이 설계 공간 탐색을 단축합니다.

관련 프로젝트

1건

연구 흐름

먼저 머신러닝과 뉴럴 네트워크에 적합한 맞춤형 heterogeneous SoC 구현을 목표로 설계 공간 탐색과 메모리 구조·온칩 네트워크 관점을 포함한 기반 연구를 수행했습니다. 이후 CNN 가속기 성능을 loop tiling 관점에서 정리하고, 타일 크기가 계산 제한과 통신 제한 사이에서 성능 전환점을 갖는다는 구조적 특성을 폐형식으로 도출했습니다. 이 결과를 바탕으로 버퍼 또는 MAC 배열 제약에서 최적 타일 크기를 산출하여 설계 탐색 효율을 높였습니다. 동시에 실제 비전 응용으로 YOLOv5s를 개선하여 조명·폐색·중첩 환경에서 탐지 강건성을 강화하고, 모델 수준의 구조 변경과 가속기 수준의 타일링 최적화를 연결합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

농업 로봇용 실시간 토마토 객체 탐지
중첩·폐색 강건성 기반 검출
경량 YOLOv5s 구조 개선
SE attention 기반 특징 보강
BiFPN 다중스케일 가중 융합
콘텐츠 인식 업샘플링 모듈
Soft-NMS 기반 중복 억제
CNN 가속기 loop tiling 최적화
SRAM 리소스 절감 설계
heterogeneous ML SoC 배치 전략