Earticle

스파이킹 신경망(SNN)은 효율적인 시간 처리와 에너지 소비로 기존 인공 신경망(ANN)의 잠재적인 대안으로 부 상했다. 그러나 심층 SNN을 학습하는 데 어려움이 있어 적용 가능성이 제한된다. 개선된 학습 알고리즘 제공 및 SNN학습을 가능하게 하는 프레임워크 개발에 대한 중요성이 확대되고 있다. 본 논문에서는 기계 학습 응용 프로그 램을 향상시키기 위해 그라디언트 기반 학습을 지원하는 기존 SNN 프레임워크를 활용하여 다양한 실험을 진행한 다. 각 프레임워크를 SNN을 학습한 후, 최종 Top-1 accuracy, time efficiency를 비교 분석한다.

Spiking Neural Networks (SNNs) have emerged as a potential alternative to traditional artificial neural networks (ANNs) because of their temporal processing capabilities and low energy consumption. However, the difficulties in training deep SNNs have limited their applicability. Thus, improving learning algorithms and the frameworks that implement them is one of the primary research focuses in the SNN field. This paper surveys SNN frameworks that specifically support gradientbased learning to enhance machine learning applications. A comparison of the different libraries is described with experimental analysis.

딥러닝프레임워크는현재에도계속해서발전되어가고있으며, 다양한프레임워크들이존재한다. 딥러닝의대표적인프레임 워크는 TensorFlow, PyTorch, Keras 등이 있다. 딥러님 프레임워크는 이미지 학습을 통해 이미지 분류에서의 최적화 모델을 이용한다. 본 논문에서는 딥러닝 이미지 인식 분야에서 가장 많이 사용하고 있는 TensorFlow와 PyTorch 프레임워크를 활용하 여 이미지 학습을 진행하였으며, 이 과정에서 도출한 결과를 비교 분석하여 최적화된 프레임워크을 알 수 있었다.

Deep learning frameworks are still evolving, and there are various frameworks. Typical deep learning framewor ks include TensorFlow, PyTorch, and Keras. The Deepram framework utilizes optimization models in image classific ation through image learning. In this paper, we use the TensorFlow and PyTorch frameworks, which are most wide ly used in the deep learning image recognition field, to proceed with image learning, and compare and analyze the results derived in this process to know the optimized framework. was made.

This study aimed to quantitatively measure object recognition inference performance, a representative application in edge computing environments. For this purpose, YOLOv8n was executed by applying PyTorch versions 1.11, 2.0, 2.4, and 2.7 to Raspberry Pi 4, Raspberry Pi 5, LattePanda 3 Delta, Jetson Nano, and Jetson AGX Orin boards, as well as an x86 legacy server. Experimental results showed that boards equipped with GPUs recorded faster inference speeds than CPU-based boards. Among these, despite its lower CPU performance, the Jetson Nano, leveraging GPU acceleration, reduced processing time by approximately 29% compared to the LattePanda 3 Delta. Particularly, the Jetson AGX Orin exhibited the fastest performance in both GPU and CPU environments, recording 14ms in the GPU environment and 170ms in the CPU environment. It was also confirmed that differences in PyTorch versions could affect performance. Furthermore, applicable edge computing application areas for each board were suggested based on the observed performance.

본 논문은 딥러닝을 기반으로 한 가상 피팅 기능을 갖춘 중고 의류 거래 시스템의 구현을 소개한다. 제안된 시스 템은 사용자가 중고 의류를 온라인으로 시각적으로 착용하고 핏을 확인할 수 있는 기능을 제공한다. 이를 위해, 합성곱 (CNN) 알고리즘을 사용하여 사용자의 신체 형상과 의류의 디자인을 고려한 가상 착용 모습을 생성한다. 이를 통해 구매 자는 온라인에서 실제로 의류를 입기 전에 핏을 미리 확인할 수 있으며, 이는 구매 결정에 도움을 준다. 또한, 판매자는 시스템을 통해 정확한 의류 사이즈와 핏을 제시할 수 있어 구매자의 만족도를 높일 수 있다. 본 논문은 CNN 모델의 학습 절차, 시스템의 구현 방법, 사용자 피드백 등을 자세히 다루고, 실험 결과를 통해 제안된 시스템의 유효성을 입증한다.

This paper introduces the implementation of a secondhand clothing trading system equipped with virtual fitting functionality based on deep learning. The proposed system provides users with the ability to visually try on secondhand clothing items online and assess their fit. To achieve this, it utilizes the Convolutional Neural Network (CNN) algorithm to create virtual representations of users considering their body shape and the design of the clothing. This enables buyers to pre-assess the fit of clothing items online before actually wearing them, thereby aiding in their purchase decisions. Additionally, sellers can present accurate clothing sizes and fits through the system, enhancing customer satisfaction. This paper delves into the CNN model's training process, system implementation, user feedback, and validates the effectiveness of the proposed system through experimental results.

본 논문에서는 합성곱 신경망이 적용된 네트워크를 활용해 전이 학습의 과정을 거친 멸종위기종 철새들의 이미지를 분류하는 시스템의 설계과정과 결과를 제시한다. 연구 방법으로 한국 영랑호를 찾아오는 멸종위기종, 천연기념물인 철새들의 이미지를 학습시켜 "가창오리", "노랑부리백로", "물총새" 이 세 종의 철새들을 매우 정확하게 분류하는 것을 확인하였다. 데이터 예비학습과정에서 train data의 개수를 40개로 진행했을때 약 92%의 정확도를 확인 후, train data의 이미지 개수를 50장으로 늘려 더 높은 정확도를 얻을 수 있었다. 이 시스템은 한국을 방문하는 멸종위기종 철새들을 무분별하게 포획하지 않도록 철새 이미지 분류시 활용 가능하다고 사료된다.

그래프 데이터는 데이터간의 관계를 효율적으로 분석할 수 있으며, 뛰어난 확장성, 다양한 종류의 데이터들을 쉽게 표현할 수 있어 화학, 의학, 추천시스템등 다양한 분야에 적용하려는 사례가 늘고 있다. 이러한 그래프 데이터를 머신러닝기법에 쉽게 사용할 수 있도록 적용된 것이 GNN모델이다. 그 중 Convolultion기법을 적용한 ConvGNNs 모델이 추천 시스템 등 다양한 분야에서 많이 연구 되고 있다. 본 논문은 실험을 통해 상이한 데이터셋 환경에서 Convolution 그래프 기반 모델들의 성능을 비교하였다.