1) 문제점
- 고성능 시멘틱 세그멘테이션 모델의 높은 계산 복잡도로 인한 엣지 디바이스 배포 어려움
- 실시간 처리가 필요한 자율주행, CCTV 분석 등에서 클라우드 의존으로 인한 지연시간 문제
- 기존 경량화 연구가 인코더에만 집중되어 디코더의 연산 효율성 개선 미흡

2) 프로젝트 목표
- 디코더 최적화: 가중 합(Weighted Sum) 기반 효율적 디코더로 연산량 70% 이상 감소
- 엣지 배포 최적화: 다양한 엣지 디바이스에서 실시간(30FPS 이상) 추론 가능
- 정확도 유지: 연산량 감소에도 mIoU 95% 이상 성능 유지

3) 주안점
- 특징 맵(Feature Map) 간 상관관계 분석을 통한 중복 연산 제거
- 채널별 가중치 학습을 통한 효율적 특징 융합

1) 포트폴리오 소개
- 자율주행 및 영상 분석 시스템을 위한 경량화 시멘틱 세그멘테이션 모델 개발 - 엣지 디바이스에서 실시간 처리가 가능한 고효율 디코더 아키텍처 연구 및 최적화

2) 작업 범위
- 딥러닝 모델 개발: WSDecoder 아키텍처 설계 및 PyTorch 구현
- 모델 최적화: ONNX 변환 및 TensorRT 최적화를 통한 추론 속도 개선
- 실험 및 검증: ADE20K, Cityscapes, COCO-Stuff 데이터셋 학습 및 성능 평가
- 엣지 배포: NVIDIA Jetson 시리즈 등 엣지 디바이스 최적화
- 연구 개발: MMSegmentation 프레임워크 통합 및 논문 작성

3) 주요 업무
- 가중 합 기반 디코더 설계: 특징 맵 융합을 위한 WSDecoder 아키텍처 개발
- 다중 변형 모델 구현: Channel-wise, Grouped Blueprint, Gated 방식의 3가지 변형 모델
- 주성분 분석(PCA): 특징 맵 상관관계 분석을 통한 중복 연산 제거
- 적응형 게이트 메커니즘: 입력 이미지 특성에 따른 동적 가중치 조정 시스템
- 벤치마크 테스트: SegFormer, ConvNeXt, DeepLabV3+ 등 주요 모델과 성능 비교

4) 주안점
- 연산 효율성 극대화: 디코더 연산량 98% 감소로 엣지 디바이스 실시간 처리 실현
- 정확도 보존: FLOPs 71% 감소에도 mIoU 95% 이상 성능 유지
- 범용성 확보: 다양한 백본 네트워크(ConvNeXt, SegFormer 등)와 호환 가능한 플러그인 구조
- 실용성 중심: NVIDIA Jetson에서 35 FPS 달성으로 자율주행 및 CCTV 실시간 분석 가능