• 목록

<발표 후기>
2월 10일 (월)
제목 : Detecting Out-of-Distribution Samples with Unsupervised Low-Light Image Enhancement
본 연구는 저조명 상황에서 비지도 학습 기반의 Low-Light Image Enhancement를 통한 조도 개선 객체 탐지 및 Out-of-distrigbution detection을 수행하는 내용을 담고있다. 지난 데이터 마이닝에서 paired image들에 대한 지도학습 방식의 방법론에서 좀 더 개선한 연구주제를 발표하였다. 몇몇분들이 저조도 개선 방식과 retinex 이론을 활용한 데이터 전처리 측면에 관심있게 들어주셨다. 이번에는 기존 방법론에 대한 응용 측면에서 발표하였지만, 다음 연구 주제로 architecture에 대한 개선적인 측면에서 새로운 시도를 해보고싶다. 

<학회 후기>
지난 학회와는 조금은 다른 주제의 학회였던 만큼 방법론적인 측면에 있어서 우리가 진행하는 data-driven 방식의 인공지능 응용 연구보다 좀 더 시스템 혹은 하드웨어 상의 최적화를 목표를 둔 발표들이 많았다. 동일한 연구에 대한 새로운 접근법에서 좀 더 시야를 폭 넓게 보고 배울 수 있는 유익한 학회였으며, 또한 연구 외적으로 연구실 사람들과 함께 좋은 추억을 만들 수 있었던 시간이었다. 

<청취후기>
2월 10일 (월)
제목: Unexplored Faces of Robustness and Out-of-Distribution:Covariate Shifts in Environment and Sensor Domains
Eunsu Baek, Keondo Park, Jiyoon Kim, Hyung-Sin Kim, Seoul National University
여러 포스터를 돌면서 제목만을 보고 내 논문 주제와 유사할 것이라 생각하고 본 포스터를 청취하게 되었다. 본 연구는 기존의 강건성 및 OOD 탐지 방법들이 현실 세계에서의 환경 및 센서 변화에 대응하지 못한다는 문제를 제기하며, 이를 해결하기 위해 ImageNet-ES 데이터셋을 새롭게 구축했다. 해당 연구에서는 환경적 요인과 카메라 센서 설정에 따른 분포 변화가 모델 성능에 미치는 영향을 분석했다. 기존의 디지털 변형 기반 데이터 증강보다 실제 촬영 환경에서의 변화를 학습하는 것이 강건성을 향상시키는 데 더 효과적임을 보였으며, 카메라 센서 조절이 모델 성능을 크게 개선할 수 있음을 실험적으로 검증했다. 특히 발표자분 께서는 컴퓨터가 받아들이는 이미지와 사람이 받아들이는 이미지에 있어서 성능 개선적인 측면에서 다르다는 점을 강조하였다. 사실 기존 아키텍처 재설계나 데이터 기반의 접근법을 주로 다뤄왔지만, 하드웨어 센서의 튜닝에 기반하여 최적의 성능을 도출했다는 점이 의아하면서도 신선하였다. 향후 내 연구에서도 이러한 물리적 촬영 환경을 고려한 데이터 튜닝을 통해 성능 개선이 가능할 수 있을까에 대한 생각을 하게되었으며, 다만 이러한 카메라 센서에 대한 조작은 데이터 특성에 따라 많이 상이할 것으로 생각되어 일반화 성능이 다소 떨어지지않을까 라는 생각을 하게되었다.