Deep learning, which has recently shown excellent performance, has a problem that the amount of computation and required memory are large. Model compression is very useful because it saves memory and reduces storage size while maintaining model performance. Model compression methods reduce the number of edges by pruning weights that are deemed unnecessary in the calculation. Existing weight pruning methods using ADMM construct an optimization problem by a layer-by-layer addition of pre-defined removal-ratio constraints. Decomposing into two subproblems through the ADMM process, one can solve them through gradient descent and projection. However, the layer-by-layer removal ratios must be structurally specified, causing a sharp increase in training time due to a large number of parameters, and hardly feasible to use for large models that actually require weight pruning. Our proposed method performs weight pruning, producing similar performance, by setting a global removal ratio for the entire model without prior knowledge of structural characteristics in order to solve the shortcomings of the existing ADMM weight-pruning methods. To effectively avoid performance degradation, the method removes a relatively small number of previous layers in charge of feature extraction. Experiments show high-quality performance, not necessarily setting layer-by-layer removal ratios. Additionally, experiments increasing layers yield an insight for feature extraction in pruned layers. The experiment of the proposed method to the LeNet-5 model using MNIST data results in a higher compression ratio of 99.3% outperforming those of other existing algorithms. We also demonstrate the effectiveness of the proposed method in YOLOv4, an object detection model requiring substantial computation.

본 연구에서는 혼합 자일렌에서 에틸벤젠을 분리하기 위하여 제올라이트 분리막을 이용하였다. 마이크로웨이브 합성 온도에 변화를 주어 제조한 TS-1 제올라이트 결정을 알루미나 튜브에 성장시키기 위해 3-chloropropyltrimethoxysilane를 코팅 후 TS-1 nano seed를 안착시키고 마이크로웨이브 합성법을 이용한 2차 성장을 통해 3~4 mum의 두께를 가지는 얇은 TS-1 제올라이트 분리막을 제조하였다. 제조한 분리막을 이용하여 에틸벤젠/메타자일렌/파라자일렌이 혼합된 혼합 자일렌으로부터 에틸벤젠을 분리하였다. 마이크로웨이브 합성 온도가 증가할수록 제올라이트 결정의 크기가 비례하여 증가하였다. 또한 반응기의 온도가 200℃에서 가장 높은 투과 플럭스와 선택도를 가졌다. 가장 좋은 에틸벤젠 분리 성능을 보인 분리막은 마이크로웨이브 합성 온도가 170℃인 분리막이고 선택도 값은 2.64였다(에틸벤젠 투과 플럭스 : 1703.0 mol/m2·s·Pa).

본 연구는 고등학교 잠재은퇴 학생선수들의 체계적인 진로교육체제 확립을 위해 직업기초능력을 조사 분석하는데 목적이 있다. 이를 위해 문헌연구를 실시한 후 이를 토대로 직업기초능력 인식도에 관한 설문조사를 실시하였다. 연구의 대상은 전국의 체육고등학교 및 일반계 고등학교의 학 생선수 및 교사로 하였다. 교사들은 학생들에게 필요한 기초능력의 수준으로 신체활용능력을 가장 높게, 다음으로 진취성 및 책임감, 도구활용능력과 리더십, 그리고 조직이해능력 등의 순으로 인식 하였다. 또한 학생들은 자신들의 직업기초능력에 대해서 신체활용능력이 가장 높은 것으로, 다음으로 팀워크능력, 진취성 및 책임감, 도구활용능력 등의 순으로 응답하였다. 학생선수들을 대상으로 요구되는 직업기초능력은 의사소통능력, 국제문화이해능력, 자기계발능력 문제해결능력, 수리 능력 순으로 나타났다. 학생선수들은 학교에서 학업 활동을 소홀히 하는 이유로 인하여 직업기초 능력의 인식 수준이 전반적으로 매우 부족한 것으로 드러났다. 따라서 이들의 직업기초능력을 향상시킬 수 있는 학교 내의 정규 및 비정규 교육과정 개발 및 사회적인 교육 시스템의 정립이 절실히 요청된다.