ㅁ 기술/아키텍처

ㅇ 정의:
– 온디바이스 환경에서 데이터 전처리를 수행하기 위해 설계된 기술 및 아키텍처를 의미하며, 주로 모바일 기기나 임베디드 시스템에서 사용.

ㅇ 특징:
– 데이터 전송 지연 감소, 개인정보 보호 강화, 실시간 처리 가능.
– 제한된 하드웨어 자원을 효율적으로 활용.

ㅇ 적합한 경우:
– 네트워크 연결이 불안정하거나 지연이 큰 환경.
– 데이터 보안이 중요한 애플리케이션.
– 실시간 데이터 처리 요구가 있는 경우.

ㅇ 시험 함정:
– 클라우드 기반 전처리와 혼동.
– 온디바이스 전처리가 항상 더 효율적이라는 오해.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 온디바이스 전처리는 네트워크 연결 없이도 동작할 수 있다.
– X: 온디바이스 전처리는 항상 클라우드보다 성능이 높다.

================================

1. MobileNet

ㅇ 정의:
– 모바일 기기에서 효율적으로 딥러닝 모델을 실행하기 위해 설계된 경량화된 신경망 아키텍처.

ㅇ 특징:
– Depthwise Separable Convolution을 사용하여 계산량 감소.
– 모델 크기가 작고, 연산 속도가 빠름.
– 모바일 CPU/GPU에서 실시간 추론 가능.

ㅇ 적합한 경우:
– 모바일 애플리케이션에서 이미지 분류, 객체 탐지 등 딥러닝 작업.
– 하드웨어 자원이 제한된 환경에서 딥러닝 모델 활용.

ㅇ 시험 함정:
– MobileNet이 모든 종류의 딥러닝 작업에 적합하다고 생각하는 오류.
– Depthwise Separable Convolution의 개념을 정확히 이해하지 못함.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: MobileNet은 Depthwise Separable Convolution을 사용하여 경량화를 달성한다.
– X: MobileNet은 모든 딥러닝 모델보다 성능이 우수하다.

ㅁ 추가 학습 내용

MobileNet의 다양한 버전은 각각의 개선 사항과 특징을 통해 경량화된 딥러닝 모델을 발전시켰습니다. 아래는 MobileNetV1, MobileNetV2, MobileNetV3의 주요 차이점과 적용 사례를 정리한 내용입니다.

1. MobileNetV1:
– 주요 특징: Depthwise Separable Convolution을 도입하여 계산량과 파라미터 수를 크게 줄임.
– 개선 사항: 표준 합성곱을 두 단계로 나누어 연산 효율을 높임. 첫 단계는 Depthwise Convolution으로 각 채널별로 독립적으로 작업하며, 두 번째 단계는 Pointwise Convolution으로 채널 간 상호작용을 수행.
– 적용 사례: 이미지 분류, 객체 검출, 얼굴 인식 등 경량화가 필요한 모바일 및 임베디드 환경에서 사용.

2. MobileNetV2:
– 주요 특징: Inverted Residuals와 Linear Bottlenecks를 도입하여 성능과 효율성을 개선.
– 개선 사항:
– Inverted Residuals: 잔차 연결을 활용하되, 고차원 공간에서 연산을 수행한 뒤 저차원 공간으로 축소하여 계산 효율성을 높임.
– Linear Bottlenecks: 활성화 함수(ReLU)를 저차원 공간에서 제거하여 정보 손실을 최소화.
– 적용 사례: 모바일 환경에서의 이미지 분류, 객체 검출, 세그멘테이션 등.

3. MobileNetV3:
– 주요 특징: NAS(Neural Architecture Search)를 활용하여 아키텍처를 설계하고, 효율적인 연산을 위해 다양한 기법을 통합.
– 개선 사항:
– NAS를 통해 최적화된 네트워크 구조를 자동 설계.
– Hard-Swish 활성화 함수 도입으로 계산 효율성과 모델 성능 개선.
– SE(Squeeze-and-Excitation) 모듈을 활용하여 채널 간 중요도를 학습.
– 적용 사례: 모바일 및 IoT 환경에서의 고효율 모델링, 실시간 애플리케이션.

이러한 내용을 바탕으로 각 버전의 특징과 개선 사항을 명확히 이해하고, 시험 준비 시 적용 사례를 통해 실무적인 활용 가능성을 연결 지어 학습하면 도움이 될 것입니다.