* 본 내용은 네이버의 개발자 컨퍼런스인 DEVIEW에서 발표했던 영상을 사용합니다. 영상을 클릭하시면 네이버 TV로 아웃링크로 이동되오니 양해 부탁드립니다. 

모바일 서비스를 위한 가벼운 이미지 인식/검출 딥러닝 모델 설계

강의 내용

이미지를 이용한 모든 AI 관련 서비스에 사용되는 이미지 인식, 검출, 그리고 세그멘테이션 등에는 좋은 성능의 딥러닝 모델 (Deep Neural Network)을 적용하여야 합니다.

본 talk에서는 저희가 개발한 새로운 모델과 먼저 ResNet을 포함한 여러 중요 모델들 이 모델은 현재 모델 크기 기준으로 공인된 평가 데이터셋 ImageNet 기준으로 최고 성능을 보이고 있으며 본 모델을 사용한 finetuning 결과들 (이미지 검출, OCR detector 등에 적용)도 모델 크기 대비 성능이 좋아 다양한 task에 쓰일 수 있을 것입니다.

본 모델은 현재 OCR 기술 등에 포함되어 deploy 되었고, 추가적으로 다른 서비스에도 적용되어 각 task에 맞게 finetuning 테스트 중에 있습니다. 본 모델의 자세한 사항들은 논문화 되어 공개될 예정입니다.

목차

1. Deep Neural Network의 출현으로 도래한 인공지능 (AI) 시대

• Convolutional Neural Network
• AlexNet의 출현과 도래한 인공지능 (AI) 시대

2. ImageNet과 딥러닝 모델 (backbone)을 통한 이미지 분류/검출기 학습의 개괄

• Transfer learning, backbone 그리고 finetuning 이란?
• 서비스에 딥러닝을 적용할때 이슈
• 딥 러닝 물체 인식/검출기 학습 개요도 심층 분석
• 강력한 backbone 사용/개발의 필요성

3. 가벼운 deep CNN 모델들의 몇가지 이슈

• 다양한 Deep CNN 소개 - 무거운 & 가벼운 모델
• 최신 가벼운 모델들의 ImageNet 정확도 재현 이슈
• 특정 모델들의 finetuning 관련 이슈
• 실제 서비스 이슈
  • 모델의 성능 측면
  • 모델의 속도 측면
  • 모델의 크기 측면

4. 새로 개발한 가벼운 모델과 성능 소개

• 현재 lightweight 모델들의 공통 문제
• 모델 설계 철학 - 배경 & 목적 & 방법 & detail 공유
• ImageNet-1k 데이터셋에서 이미지 분류 정확도

5. 신 모델을 활용한 finetuning 성능과 실 서비스 적용 예 + 추가 팁

• 이미지 검출 task에 적용 결과
• 텍스트 검출 task에 적용 결과 (CRAFT-lite)
• 다양한 시도와 교훈, 꿀팁 나눔
• Appendix 

강연자 소개 

참고자료