• 목록

<발표 후기>
5월 30일 (목)
세션 : B2. 의료/헬스케어 데이터마이닝
제목: Dirichlet Distribution-Based Neural Architecture Search for U-Net in Medical Image Segmentation

 본 연구는 medical image segmentation을 위한 U-Net 구조에 대한 Neural Architecture Search(NAS)에 Dirichlet distribution을 적용하여 network 의 sparsity를 보장하면서 segmentation의 성능을 높이고자 하였다. 기존에 많은 NAS 연구에서 Image classification 과업에 집중했던 것에 반해 해당 연구는 medical image segmentation에서의 좋은 성능을 보이는 U-Net  구조에서 각각의 계층별 cell에 대해 최적의 구조를 찾는 기법을 제안한다.
이때 NAS의 탐색 공간 및 탐색 기법에 있어서 각 operation mixing weight에 해당하는 값 자체를 학습 가능한 파라미터로 다루는 것이 아니라 이를 다변량 확률 분포를 나타내는 Dirichlet distribution으로 투영하여 분포에 대한 학습 문제로 관점을 바꿔 과적합을 피하면서 sparse한 cell을 구성할 수 있도록 네트워크에 대해서 변형을 가했다. 이러한 방법론으로 통해서 서로 다른 장기에 대한 image를 포함하고 있는 medical image dataset에 대해서 searching 을 수행한 뒤에 segmentation 성능을 평가하는 과정을 거쳤으며, 추가적으로 search 와 train을 서로 다른 데이터셋에서 진행한 결과를 보여 해당 방식론이 sparse한 성능을 보이면서도 일반화 성능을 높였음을 확인할 수 있었다. 이를 통해 이후에는 U-Net 의 기본적인 특징을 보존할 수 있는 추가적인 연구를 진행하고자 한다.

<청취 후기>
5월 30일 (목)
세션 : A1. 이미지/영상 데이터마이닝
제목: 마스킹 기반 지도 학습을 활용한 RGB-D 중요 물체 검출
 본 연구는 중요 물체 검출(Salient Object Detection, SOD) 을 위해서 마스킹 기반의 지도 학습 프레임워크를 제안하는 발표이다. 중요 물체 검출은 이미지 내에 중요한 물체 만을 검출하는 분야로, 기존의 RGB 정보 뿐만 아니라 Depth에 대한 정보를 활용한다는 점에서 최근에 RGB-D 기반의 SOD 연구가 많이 진행 중에 있다. 본 연구에서는 이미지 내 물체에 대한 맥락적 정보를 판단하는 것이 주요하기 때문에 부족한 맥락 정보에 대해서 추가적인 정보를 제공하기 위해서 마스킹된 입력하여 활용하는 구조를 택했다. 기존의 샴 구조를 따르면서 마스킹 된 입력값을 활용하여 맥락적인 정보를 활용하여 주변의 지역적인 정보를 활용할 수 있도록 유도할 수 있게 된다.
 해당 연구에 대한 발표를 통해서 SOD에 대한 개념을 이해할 수 있으며 object detection 분야에서 사용할 수 있는 마스킹 기반의 방식론을 처음 알게 되었다. 개인적으로 이를 단순한 일반 이미지를 대상하는 것이 아니라 특정 분야의 이미지에 대해서 적용하는 연구로 고도화하는 방향으로 적용할 수 있을 것이라는 생각이 들었으며, 추가적으로 해당 방식에서 마스킹 기반의 방식론이 비지도학습에 적용되어도 큰 역할을 수행할 수 있을 것이라 생각이 되어서 기억에 남는 발표였다.