A Study on Quantization-Based Optimization of Deep Learning Models for Road Image Segmentation for Pedestrian Safety

지능형 교통 시스템 및 자율주행 환경에서 보행자 안전을 보장하기 위해, 도로와 보행자 영역을 신속하고 정확하게 분할하는 기술은 핵심적인 요소이다. 딥러닝 기반의 영상 분할 모델은 높은 정확도를 보이지만, 방대한 연산량과 메모리 요구로 인해 고가의 GPU 없이는 실시간 처리가 어렵다는 실질적인 한계가 존재한다. 본 논문은 이러한 하드웨어 의존성을 극복하고, 범용 CPU 환경에서 실시간 성능과 정확도를 동시에 달성하는 모델 최적화 방안을 제안한다. 이를 위해, 대표적인 영상 분할 모델인 DeepLabv3를 기반으로 인텔의 OpenVINO 툴킷과 NNCF(Neural Network Compression Framework)를 활용하였다. 32비트 부동소수점(FP32) 모델을 8비트 정수(INT8) 모델로 변환하는 후처리 양자화(PTQ) 기법을 적용하여 추론 과정을 가속화하였다. 실험 결과, CPU 환경에서 INT8 모델은 원본 FP32 모델 대비 추론 속도가 45.77% 향상되어 56.63 FPS를 달성, 실시간 처리 기준(30 FPS)을 초과하는 성능을 확보하였다. 또한, 최적화된 모델을 YOLOv8 객체 탐지 모델과 융합한 보행자 위험 감지 시스템에 적용하여 검증한 결과, 정확도 저하없이 원본과 동등한 88.6%의 mAP를 유지함을 확인하였다. 본 연구는 제안된 양자화 기법이 고비용 하드웨어 없이도 딥러닝 모델의 효율성을 극대화할 수 있음을 입증하였다. 이는 저비용 엣지 디바이스나 범용 서버 환경에서 실시간 보행자 안전 시스템을 구현하는 데 실질적인 기여를 할 것으로 기대된다.