ShuffleFAC: 선박 음향 분류를 위한 저복잡도 음향 모델

Abstract

최근 인공지능 분야에서 심층 신경망에 대한 연구가 활발히 진행되고 있으며, 이는 임베디드 시스템의 다양한 응용 분야에서 활용 가능성이 높기 때문이다. 그러나 임베디드 환경에서는 연산 및 메모리 자원이 제한적이므로, 저복잡도를 갖는 심층 신경망 구조가 요구된다. 본 논문에서는 선박 음향 데이터를 활용한 분류 문제를 대상으로, 경량화와 효율성을 동시에 고려한 ShuffleFAC를 제안한다. 제안하는 모델은 기존 CNN 구조가 갖는 시불변성 한계를 극복하는 동시에, 저복잡도를 갖는다. 음향 이벤트 검출에서 시간-주파수 패턴에서 주파수 별 특징을 효과적으로 추출하기 위해 FAC(Frequency Aware Convolution)[1]가 제안되었다. 또한, ShuffleNet[2]은 제한된 연산 능력을 갖는 모바일 디바이스 환경에서 효율적인 추론을 위해 설계되었으며, Group point-wise convolution과 channel shuffle을 활용하여 계산 비용을 줄이면서 성능을 유지한다. 제안하는 모델은 1개의FAC레이어와 6개의 ShuffleFAC 레이어로 구성된다. FAC 모듈은 FA(Frequency Aware) Block 이후 2D Convolution을 적용하며, ShuffleFAC는 그림1(b)와같이 FA Block, Group Point-wise, Depth wise Convolution, Channel Shuffle, Group Point-wise 순서로 구성된다. 모든 레이어의 마지막에는 ReLU, Batch Normalization, Dropout, AvgPool이 순차적으로 적용된다. 이러한 구조를 통해 기존 CNN의 시불변성한계를 극복하고, 동시에 연산 복잡도를 줄여 경량화된 구조를 구현하였다. 따라서 제안하는 모델은 모바일 디바이스 및 임베디드 시스템과 같이 메모리와 연산 능력이 제한된 환경에서도 선박 음향 분류를 효과적으로 수행할 수 있다.