온라인으로 개최된 2021 대한산업공학회 추계학술대회에 참석하였습니다.

처음에는 온라인와 오프라인을 병행해서 진행한다고 안내를 받았고, 학회 장소가 동국대학교로 비교적 거리가 가까워 지난 춘계 학술대회처럼 오프라인으로 참석할 수 있지 않을까라는 기대를 하고 있었습니다. 하지만 결국 온라인으로 진행되어 아쉬운 마음이 들었습니다.


■ 발표 후기

제가 직접 발표를 진행 하지는 않았지만, 함께 진행중인 연구를 동료 연구원이 발표하는 첫 학회였습니다. 우선 발표를 할 수 있을 만큼 연구가 잘 진행되어 다행이라는 생각이 들었습니다. 연구 분야가 아직까지는 마이너한데 많은 분들께서 들어주시고 또 질문해 주셔서 기분이 좋았습니다. 발표해 주신 동료 연구원과 DSBA 연구원 분들 모두 고생 많으셨습니다.


■ 참관 후기

[합성 이상 이미지 생성 기반 이상 탐지 및 이상 지역 탐지]

동 연구실에서도 비슷한 주제로 연구를 진행중인 연구원이 있으셔서 높은 관심도로 발표를 들었습니다. 본 연구에서는 CAE를 활용한 이상 탐지 방법론들의 한계를 보완하기 위하여 DeepAugment와 convolutional block attention module(CBAM)을 추가적으로 사용합니다. 기본적으로 CAE를 사용하게 되면 인풋 이미지의 전반적인 형태를 따라가도록 loss term이 구축되기 때문에 작은 노이즈에 민감하게 반응하기 어렵다는 단점이 생깁니다. 본 연구에서는 이를 해결하기 위해 DeepAugment를 통해 이상 이미지를 생성하고 해당 이미지의 일부를 정상 이미지에 합성하는 방식으로 문제를 정의하고 있습니다. 또한 객체에 보다 집중하기 위해 CBAM을 추가적으로 사용하고 있는데 이러한 아이디어들이 매우 재밌었습니다. 다양한 종류의 augmentation을 사용하여 어떤 종류의 증강 기법이 이상 탐지를 하는데 주요하게 작용하는지에 대한 ablation study도 함께 진행하면 좋지 않을까? 라는 생각도 함께 해보았습니다.


[Domain Adaptation을 활용한 오래된 이미지 복원]

이미지 복원에 대한 연구였습니다. Super resolution과 같은 연구만 봤었는데 본 연구에서는 이러한 기존 연구들이 한 종류의 노이즈에로만 이루어진 이미지를 복원하고 있음을 지적합니다. 오래된 이미지라면 여러 종류의 노이즈가 한 장의 이미지에 함께 적용되어 있을텐데 한 종류의 노이즈만 가정하는 기존 연구들에 대한 문제 인식은 매우 합리적이라는 생각이 들었습니다. 본 연구에서는 이러한 문제를 풀기 위해 다양한 종류의 노이즈가 끼여있는 데이터 셋을 활용하고 있으며, 선행 연구의 아이디어를 차용하여 domain adaptation을 사용하고 있습니다. 다만 선행 연구에서는 feature map 자체를 유사하게 학습을 진행 하였다면, 본 연구에서는 gram matrix를 유사하게 만들도록 학습을 진행합니다. 추후에는 두 가지 방법을 함께 사용을 하거나 사전 학습이 완료된 super resolution 모델을 뒷 단에 붙이는 것도 어떠한 의미를 찾을 수 있지 않을까? 라는 생각을 하였습니다.



[트랜스포머를 활용한 해무 예측]

해양 이미지를 다루는 프로젝트를 한 경험이 있어서 관심있게 들은 발표였습니다. 본 연구에서는 특정 기간 내의 데이터에 대표 통계량을 뽑는 방식으로 데이터 전처리를 진행하고 있습니다. 이후에 해당 데이터를 트랜스포머 구조에 입력으로 사용하여 해무 발생 여부를 판단합니다. 해무의 GT는 연속적인 값이지만 분류 문제로 정의하여 풀고 있습니다. RF, LGBM, Seq2Seq과 같은 모델들과 비교하여 트랜스포머를 사용하는 것이 더 우수함을 입증하고 있습니다. 개인적으로는 트랜스포머가 tabular 데이터에도 잘 작동 하는 것이 신기했으며, 현재 vision task에서 많은 연구들이 나오고 있는 것처럼 트랜스포머 구조가 생각보다 매우 다양한 도메인에서 좋은 성능을 보일 수도 있을 것 같다는 생각이 들었습니다.