깊이별 분리 합성곱을 활용한 초해상도 모델의 경량화 (Lightweighting of Super-Resolution Model Using Depth-Wise Separable Convolution)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 46권 / 4호 / 591 ~ 597페이지
· 저자명 : 김대희, 강주희, 이재구

초록

초해상도는 저화질의 영상을 고화질의 영상으로 변환하는 과업으로, 무거운 연산을 활용하여 성능을 향상하는연구에 비교적 집중되어 있다. 우리는 깊은 합성곱 신경망 기반 초해상도 모델을 다른 기술과 함께 사용하거나 모바일 환경에서 사용할 때, 모델의 경량화가 필요함을 인지하였다. 이에 따라 본 논문에서는 깊이별 분리 합성곱(Depth-wise Separable Convolution)을 활용하여, 최신 초해상도 모델인 MSRN(Multi-Scale Residual Network)을경량화한 SMSRN(Separable Convolution Based Multi-Scale Residual Network)의 구조를 제안한다. SMSRN의매개변수는 MSRN의 14.64% 수준으로 감량되었다. 반면에 다양한 벤치마크 데이터 집합에 대한 정량적 실험을진행한 결과로 성능은 98.53%를 유지함을 보였으며, 정성적 실험 결과로 성능 저하를 확인하기 힘든 결과를 보였다. SMSRN은 다양한 합성곱 필터 크기를 사용한 구조이므로, 다양한 구조의 초해상도 모델에도 적용하여 경량화할 수 있을 것으로 판단된다.

영어초록

Super-resolution is the process of upscaling low-resolution images into high-resolution images and is relatively focused on research that improves system performance by utilizing heavy computation. We recognized that deep convolutional neural network based super-resolution models need to be lightweighted when they ared used with other technologies or in mobile environments. In this paper, we propose a separable convolution-based multi-scale residual network(SMSRN) structure using depth-wise separable convolution, which is a lightweight version of the latest super-resolution model, that is, the multi-scale residual network (MSRN).
Compare to the MSRN, the number of parameters in SMSRN is 14.64% of that in MSRN. On the other hand, quantitative experiments on a variety of benchmark datasets resulted in the remaining performance of 98.53%, and qualitative experiments showed that performance degradation was difficult to identify. Since the SMSRN is a structure that uses a variety of convolution filter sizes, it is expected that it can also be applied to various architectures of super-resolution models to make them lighter.

참고자료

· 없음