Feature Coding for Machines를 위한 비선형 변환 및 스케일링 방법 = Nonlinear Transform and Scaling Method for Feature Coding for Machines|RISS 상세보기

국문 초록 (Abstract)

신경망 기반 시각 인식 기술의 발전으로 자율주행, 스마트 시티, 감시 시스템 등 다양한 응용 분야에서 신경망 모델이 활용되고 있다. 그러나 이러한 신경망 모델은 높은 임무 성능을 제공하는 대신, 깊은 네트워크 구조와 높은 연산 복잡도로 인해 에지 디바이스에서의 단독 추론은 어려움이 있다. 이를 해결하기 위해 에지 디바이스에서 일부 연산을 수행하고, 추출된 중간 특징을 서버로 전송하여 나머지 추론을 수행하는 분할 추론 구조가 나타나고 있다. 그러나 이 과정에서 발생하는 중간 특징 데이터의 전송량이 매우 크기 때문에, 이를 효율적으로 압축하는 기술의 필요성이 대두되고 있다. 이에 따라, 국제 표준화 단체 Moving Picture Experts Group(MPEG)은 기계 소비에 최적화된 특징 데이터 압축 개발을 목표로 Feature Coding for Machines(FCM) 그룹을 설립하였으며, FCM은 기술 제안 요청서(Call for Proposals, CfP)를 통한 응답 기술들의 성능 평가를 기반으로 시험 모델인 Feature Compression Test Model(FCTM)을 개발하고 있다.
FCTM은 특징을 내부 코덱으로 부호화하기 위해 균등 양자화를 적용하고 있으나 실제 신경망의 특징값은 균등 분포를 따르지 않으며 대부분 중앙 부근에 집중된 비균등 형태를 보인다. 이러한 분포의 통계적 특성을 고려하지 않고 균등 양자화를 적용할 경우, 특징값이 자주 발생하는 구간에서도 동일한 양자화 간격을 적용하므로 부호화 효율이 제한된다. 또한 내부 코덱 Versatile Video Coding(VVC)[5]의 양자화 과정은 Quantization Parameter(QP) 값에 따라 양자화 단계 크기가 달라지므로, QP가 증가할수록 복호화된 특징의 동적 범위가 축소된다. 이에 따라 복원된 특징의 분포가 왜곡되고, 후속 임무 수행 과정에서의 정확도가 저하되는 문제가 발생한다.
본 논문에서는 이러한 문제를 해결하기 위해, 특징 분포의 통계적 특성을 반영하여 부호화 효율과 양자화 정밀도를 동시에 개선할 수 있는 비선형 변환 방법 및 내부 코덱의 양자화 왜곡을 보정하는 QP 기반 스케일링 방법을 제안한다. 제안 방법은 비선형 변환 함수를 적용하여 특징의 분포를 중앙 부근으로 더 집중시키고, 이를 통해 중요도가 높은 특징 구간에 더 높은 양자화 정밀도를 부여한다. 이후 비선형 역변환 함수를 적용하여 변환된 특징의 분포를 기존 분포로 복원한다. 또한 스케일링 과정은 내부 코덱의 양자화 단계 크기에 따라 변화하는 복호화 특징의 동적 범위를 조정함으로써 내부 코덱에 의해 발생하는 분포 축소 현상을 보정하고 전체 복원 품질의 일관성을 유지한다. 이를 통해 엔트로피 코딩 효율과 복원 정확도를 동시에 향상하며, 특징의 분포를 안정화할 수 있다.
FCM 공통 학습 및 시험 조건(Common Training and Test Conditions, CTTC)에서 제안 방법을 적용한 실험 결과, FCTM v8.1 대비 전체 평균 BD-rate 3.14% 및 원격 추론 대비 80.45%의 성능 향상을 보였다. 이는 제안하는 비선형 변환 및 스케일링 방법이 신경망 특징의 통계적 특성을 효과적으로 활용하여, 부호화 효율과 복원 품질을 동시에 향상할 수 있음을 보여준다.

번역하기

신경망 기반 시각 인식 기술의 발전으로 자율주행, 스마트 시티, 감시 시스템 등 다양한 응용 분야에서 신경망 모델이 활용되고 있다. 그러나 이러한 신경망 모델은 높은 임무 성능을 제공하...

목차 (Table of Contents)