• 목록

<청취 후기>

세션 : FP7 Computer Vision
제목 : SupLID: Geometrical Guidance for Out-of-Distribution Detection in Semantic Segmentation
본 발표는 semantic segmentation에서의 OOD 탐지를 위해 기존 classifier 기반 confidence score의 한계를 보완하는 post-hoc 기법 SupLID를 제안하였다. 핵심은 feature space의 국소 차원 정보를 나타내는 Local Intrinsic Dimensionality를 활용해, energy·entropy 기반 점수들이 보이는 overconfidence 문제를 완화하는 데 있다. 이를 위해 superpixel 단위의 score aggregation과 LID 기반 geometrical coreset을 도입해 계산 부담을 줄이면서도 feature geometry를 안정적으로 반영할 수 있도록 설계했다. 기존 pixel-wise OOD 기법이 near-OOD에는 민감하나 far-OOD 탐지에는 취약한 반면, SupLID는 classifier score와 LID 정보를 결합함으로써 다양한 benchmark에서 성능 향상을 보였다. 다만 LID의 국소성으로 인해 anomaly 전체 영역을 충분히 포착하지 못할 가능성, superpixel 크기나 분할 품질에 따라 성능이 달라질 수 있다는 한계가 존재한다. 그럼에도 본 연구는 post-hoc 방식으로 어떤 segmentation 모델에도 적용 가능하다는 점에서 실용성이 높다고 판단된다.

세션 : FP39 Transfer Learning 2
제목 : High-Order Moments Conditional Domain Adaptation Networks for Wearable Human Activity Recognition
본 발표는 wearable HAR에서 발생하는 domain shift를 해결하기 위해, pseudo-label 기반 TEM과 고차 통계 정렬(PkCC)을 결합해 class-conditional 분포까지 맞추는 새로운 UDA 프레임워크를 제안하였다. 기존 marginal alignment 방식보다 더 풍부한 구조적 정보를 활용해 다양한 벤치마크에서 성능 향상을 보였다. 해당 발표는 이전에 진행했던 CSI 데이터 기반의 자기 지도 학습 기반의  HAR 연구와 비슷하였다. 내가 진행했던 연구 또한 기존의 wearable HAR 아키텍처에서 데이터 분포를 맞춰 진행하였었는데, CSI는 wearable 센서 데이터와 달 도메인간 조건부 분포 차이의 편차가 작아 marginal alignment만으로는 class 경계를 보존하는데 어려움이 있었다. 본 발표에서 제안하였던 CoDAN의 고차 moment 기반 conditional alignment는 이러한 CSI 특성과 잘 맞으며, 현재 진행 중인 GRL 기반 DP 손실, augmentation 중심의 representation 학습에도 자연스럽게 통합될 수 있을 것이라 생각되었다.