ShiftNet 편집하기

ShiftNet은 2018년에 제안된 초경량 합성곱 신경망(CNN) 구조로, 합성곱 연산(convolution) 자체를 제거하고 단순한 픽셀 이동(shift) 연산으로 공간 정보를 처리하는 혁신적인 접근 방식을 제시하였다.
==개요==
ShiftNet은 전통적인 합성곱 계층의 연산량과 파라미터 수를 극단적으로 줄이기 위해 설계되었다.  기존의 표준 합성곱이나 깊이별 합성곱(depthwise convolution)조차도 상당한 연산 비용을 요구하는 반면, ShiftNet은 “'''0 FLOP, 0 parameter'''”라는 개념을 도입하여 공간적 특징 추출을 단순한 이동 연산으로 대체하였다.
==핵심 아이디어==
*'''Shift 연산(Shift Operation)''': 입력 텐서의 각 채널을 미리 정의된 방향(예: 위, 아래, 좌, 우)으로 한 픽셀씩 이동시킨다.
*'''특징 결합(Pointwise Convolution)''': Shift 후에는 1×1 합성곱을 적용하여 채널 간 정보를 결합한다.
*'''연산 효율성''': 이동 연산 자체는 계산이 필요하지 않기 때문에, 전체 네트워크의 연산량(MAC)을 크게 줄인다.
==주요 특징==
*'''Zero Parameter, Zero FLOP''': 공간 이동만으로 공간 정보를 반영하므로, 별도의 가중치나 계산이 필요하지 않다.
*'''메모리 효율성''': 합성곱을 제거함으로써 메모리 접근량을 최소화하여, 모바일 및 임베디드 환경에서 매우 빠르게 동작한다.
*'''Depthwise Convolution 대체''': MobileNet과 같은 경량 모델이 사용하는 깊이별 합성곱보다도 더 효율적이며, 연산 병목을 줄인다.
*'''유연한 결합 구조''': Shift 연산 이후에 1×1 합성곱을 결합함으로써 모델 표현력을 유지한다.
==구조==
ShiftNet의 기본 블록은 다음과 같이 구성된다.
#입력 텐서의 일부 채널을 다양한 방향으로 한 픽셀씩 이동 (Shift Layer)
#이동된 결과를 채널 방향으로 결합
#1×1 합성곱(Pointwise Conv)으로 채널 혼합
이 과정을 반복하여 특징을 점진적으로 추출한다.
==성능==
ShiftNet은 MobileNet이나 ShuffleNet 대비 연산량을 크게 줄이면서도 비슷한 수준의 정확도를 달성하였다.  특히 메모리 대역폭이 제한된 시스템(예: 모바일 기기, 엣지 디바이스)에서 매우 빠른 추론 속도를 보인다.
==한계==
*단순 이동만으로는 복잡한 공간 패턴을 학습하기 어려워, 고해상도 이미지나 세밀한 특징을 요구하는 작업에서는 한계가 있다.
*이후 EfficientNet, ConvNeXt 등에서는 연산 효율성을 유지하면서도 더 강력한 표현력을 갖춘 구조가 등장하였다.
==같이 보기==
*[[MobileNet]]
*[[ShuffleNet]]
*[[SqueezeNet]]
*[[EfficientNet]]
*[[ConvNeXt]]
==참고 문헌==
Wu, Bichen, et al. "Shift: A zero flop, zero parameter alternative to spatial convolutions." ''Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)''. 2018.
==각주==