인공 지능 기술은 최근에 다양한 분야에서 활용되고 있으며, 특히 자동차, 의료, 모바일 및 다양한 산업 분야에서 실시간으로 획득되는 비디오를 활용한 convolutional neural networks(CNN)가 널리 사용되고 있다. 그러나, CNN을 통해 생성되는 많은 양의 feature map을 실시간으로 처리하기 위해서는 대량의 온칩 메모리와 DRAM 액세스가 필요하며, 이는 자원이 제한된 임베디드 시스템과 같은 장치에서 사용하기 어려운 문제가 있다. CNN기반 encoder-decoder 구조의 네트워크는 실시간으로 획득된 비디오의 각 프레임을 encoder layer에 입력하여 feature map을 추출하며, 목표 task에 따라 decoder layer에서는 다양한 방식으로 feature map을 decoding 한다. 성능을 높이기 위해 encoder layer에서 추출된 여러 프레임의 feature map들이 동시에 decoder layer에 입력되어야 하는 경우가 있다. 이때 feature map을 off-chip memory에 저장한 후 decoder layer에서 입력하기 위해 여러 프레임의 feature map들을 동시에 읽어오게 된다. 이와 같은 DRAM access는 높은 전력 소모가 발생하며 시스템의 주요 병목지점이 된다. 비디오를 입력받는 CNN기반 네트워크에서 처리속도, 에너지 효율 및 하드웨어 오버헤드를 줄이기 위한 다양한 feature map 압축 방법이 제안되었다. 하지만 데이터의 희소성에 의존적이거나, feature map들의 공간 및 시간 연관성을 고려하지 않은 방법들은 압축 효율이 매우 떨어진다. 또는 복잡도가 높은 기법들은 연산 및 에너지 오버헤드가 크다. 따라서 본 연구에서는 비디오입력을 사용하는 CNN 기반 encoder-decoder 구조 네트워크에서 feature map사이의 시간 및 공간 연관성을 반영한 JPEG기반 feature map 압축 방법을 제안한다. 모델 독립적이며 기존 네트워크의 feature map 재사용과 얕은 CNN 계층을 통한 낮은 연산 오버헤드로 다양한 task 및 네트워크에 적용 가능하다. 제안된 방법은 프레임 보간 네트워크(Deep Voxel Flow, DVF)에서 실험되었으며, 3가지 데이터셋에서 standard JPEG대비 평균 0.834dB의 품질적 이득(BD-PSNR)과 25.079%의 압축률 이득(BD-Rate) 및 약 138pJ의 off-chip access 전력 소모 이득을 달성하였다.