Technologies

ScF Network Deep Learning Algorithm

FPGA

PLK는 통합 자율주행솔루션을 비메모리 반도체 FPGA(Field-Programmable Gate Arrays)
형태로 제공할 수 있습니다. FPGA는 범용프로세서의 성능 한계를 보완하고 주문형반도체의
특성을 합쳐 최근 가장 각광받고 있으며, FPGA를 통해 고객에게 높은 가격경쟁력과 기술의 빠른
처리 속도를 제공합니다.

머신러닝 구현에 필요한 방대한 데이터를 시스템의 혼란이나 방목현상 없이 빠른속도로 처리할 수
있기 때문에 정확도 높은 인공지능 시스템을 적용한 솔루션을 제공할 수 있습니다.

GPU

PLK는 많은 양의 데이터를 빠른속도로 연산처리 하는 GPU로 딥러닝 알고리즘을 개발하고 있습니다.
동시다발적인 연산, 병렬컴퓨팅에 유리한 GPU를 통해 수없이 많은 이미지 인식훈련을 진행하여
인식속도와 정확도를 향상시키고 있습니다. 특히, 이를통해 보행자 인식 부분에서 괄목할만한
성능향상을 이루었는데 실시간에 가까운 속도로 근거리, 원거리의 보행자를 인식하고 신체 일부만을
인식하고도 보행자를 인식할 수 있습니다.

또한 차량, 차선, 표지판, 보행자 등 도로 위의 대상을 동시다발적으로 인식하여 여러가지 위험상황에
대비할 수 있습니다.


ALGORITHM

CNN Convolution Neural Network

PLK는 통합 자율주행솔루션을 비메모리 반도체 FPGA(Field-Programmable Gate
Arrays) 형태로 제공할 수 있습니다. FPGA는 범용프로세서의 성능 한계를 보완하고
주문형 반도체의 특성을 합쳐 최근 가장 각광받고 있으며, FPGA를 통해 고객에게
높은 가격경쟁력과 기술의 빠른 처리 속도를 제공합니다. 머신러닝 구현에 필요한
방대한 데이터를 시스템의 혼란이나 방목현상 없이 빠른속도로 처리할 수 있기 때문에
정확도 높은 인공지능 시스템을 적용한 솔루션을 제공할 수 있습니다.

RNN Recurrent Neural Network

RNN은 반복적이고 순차적인 데이터학습에 특화된 딥러닝의 방식입니다. 내부의
순환구조가 들어있다는 특징이 있어 순차적인 정보가 담긴 데이터를 다루는데
적합합니다. 규칙적인 데이터의 흐름을 인식하고 추상화된 정보를 추출할 수 있고,
이를 통해 동영상, 음성, 언어 등 연속된 입력 데이터 분석에 활용할 수 있습니다.
학습이 진행되어도 과거 학습의 정보를 잃지 않고 연속적인 정보의 흐름을 학습에
반영할 수 있다는 장점이 있습니다. 최근 여러 산업분야에서 동적데이터가 증가하게
되면서 활용분야가 많아지고 있어, PLK에서도 차량 내외부 영상, 음석인식에 이를
적극 활용할 예정입니다.

RL Reinforcement Learning

RL은 자신과 환경과의 상호관계에 따라 자신의 행동을 개선해 나가는 학습법 입니다.
칭찬을 받은 행위는 더욱 많이하고 벌을 받을만한 행위는 줄이는 것과 마찬가지로
적응성을 통해 학습을 강화해가는 것을 의미하는 것입니다. 로봇, 인공지능 분야에서
많이 사용되는 방법으로 훈련을 잘따르면 상(reward)을 주고, 잘 따르지 못하면
벌(punishment)을 주는 과정을 통해 학습시켜 나가기 때문에 CNN, RNN 처럼
입력과 출력이 명확한 관계를 갖고 있지 않고 일련의 과정을 거치면서 보상을 최대화
할 수 있는 방법을 배우게 됩니다.

GAN Generative Adversarial Network

GAN은 미래의 딥러닝을 이끌 방식으로 주목받는 학습 방법입니다. CNN, RNN처럼
많은 데이터를 통해 학습하는 지도학습방식이 아닌 비지도 학습 방법입니다. 데이터와
레이블의 짝을 학습하는 방식과 다르게 레이블이 없는 데이터 그 자체에서 지식을
얻고 스스로 사물의 특성을 파악하는 능동적 방식입니다. 이 방식을 통해 인식하고
구분하는 것에서 벗어나 스스로 창조할 수 있는 능력을 가지게 되는데 이는 이미지
생성, 편집, 변환, 복원 등 다양한 효용을 보여줄 수 있습니다.