연구팀은 nnU-Net과 같은 딥러닝 프레임워크의 임상 연구 환경 배포 어려움을 해결하기 위해 경량화된 C++/Qt 프레임워크 StrokeSeg2를 개발했어요.
StrokeSeg2는 지식 증류를 통한 아키텍처 압축과 ONNX Runtime을 사용한 추론 최적화를 통해 에너지 소비를 90% 이상 줄이고 추론 시간을 평균 84% 단축했어요.
0.84M 파라미터의 학생 모델이 2.1MB 디스크 공간만 차지하며, 원본 102.3M 파라미터 아키텍처의 성능을 유지하면서 임상 워크스테이션에 쉽게 배포할 수 있도록 만들었어요.