[학회 후기]

2025년 7월 1일부터 4일까지 IEA/AIE (International Conference on Industrial, Engineering & Other Applications of Applied Intelligent Systems) 학회가 일본 기타큐슈에 위치한 국제회의장에서 개최되었고, 이 학회에 직접 참석하여 영어 발표를 진행하는 귀중한 경험을 할 수 있었다. 기타큐슈는 과거 여행으로 방문한 적이 있는 지역이었지만, 이번처럼 공식적인 연구 발표를 목적으로 방문하니 전혀 다른 감정이 들었고, 설렘과 동시에 긴장감이 함께 공존하는 느낌으로 학회장에 참석할 수 있었다. 학회장 내부는 단정하면서도 세련된 분위기였고, 창 밖으로 펼쳐지는 바다 풍경 덕분에 휴식 시간에도 여유를 느낄 수 있었다.

IEA/AIE 학회는 산업공학, 컴퓨터 비전, 인공지능 등 다양한 분야에서 응용되는 지능형 시스템에 관한 최신 연구가 공유되는 자리로, 각 세션에서는 강화학습, LLM, 컴퓨터 비전, 시맨틱 웹, 의료 AI 등 폭넓은 주제가 다뤄졌다. 특히 개인적으로 관심 있는 주제들과도 관련된 발표들이 많아 모든 발표를 다 따라가고 싶을 정도로 흥미로운 시간이 많았다. 세션은 항상 2~3개가 병행되어 진행되었고, 좌장이 직접 발표를 겸하는 경우도 종종 볼 수 있었다. 첫날에는 등록을 마치고, 학회장 인사말과 키노트 스피치를 들으며 본격적인 일정이 시작되었다. 발표자뿐만 아니라 다양한 국가의 연구자들이 자유롭게 질문을 주고받는 모습에서, 국제 학회의 진정한 소통과 교류가 무엇인지 실감할 수 있었다. 이번 경험은 단순히 연구를 발표하는 자리에 참석했다는 의미를 넘어서, 내가 속한 학문 분야의 역할과 정체성을 고민하게 만든 매우 유익한 시간이었다. 언어적 한계와 문화적 차이에도 불구하고, 전 세계 연구자들과의 소통이 가능하다는 걸 직접 체험하면서 앞으로 더 넓은 무대에서 도전해보고 싶다는 욕심도 생겼다.

[발표 후기 - Impact of Replay Ratios on Performance and Efficiency in Continual Learning for Skeleton-based Action Recognition]

이번 학회에서는 메모리 기반 리플레이 방식의 연속 학습 환경에서, 다양한 비율의 리플레이 샘플이 성능과 효율성에 어떤 영향을 미치는지에 대해 분석한 결과를 공유하였다. 실험은 스켈레톤 기반 행동 인식 데이터셋을 활용하여 진행되었고, 리플레이 비율의 변화에 따라 정확도와 계산 비용 측면에서의 trade-off를 분석하였다. 발표는 학회 마지막 날 오전 세션에서 진행되었고, 참석자 수가 예상보다 많아 다소 긴장했으나, 준비한 대로 차분하게 발표를 마칠 수 있었다. 일부 장표에서 설명이 빠르게 진행된 점은 아쉬웠지만, 몇몇 청중들이 발표 내용에 대해 긍정적인 피드백을 주었고, 관련된 아이디어를 나누는 기회도 가질 수 있어 매우 뜻깊었다.

질문 1: 실험에서 사용된 replay 비율은 어떻게 설정되었으며, 각 비율에 대해 몇 번씩 반복 실험을 수행했는가?

답변 1: replay 비율은 0%부터 100%까지 총 8개 구간(0%, 1%, 5%, 10%, 20%, 30%, 50%, 100%)으로 설정하였으며, 각 실험은 동일한 조건에서 5회 반복 수행하여 평균 성능을 도출하였다. 이렇게 반복 실험을 통해 재현성과 신뢰도를 확보하고자 하였다.

질문 2: 실험에 사용된 ST-GCN 모델은 기존 구조를 그대로 활용한 것인가, 아니면 Continual Learning에 맞게 구조적인 변경이 있었는가?

답변 2: ST-GCN의 구조 자체는 원본 논문과 동일하게 유지되었으며, CL을 위한 별도의 구조적 수정은 가하지 않았다. 대신, 학습 방식에 replay 전략을 적용하는 방식으로 연속 학습을 수행하였다. 이는 기존 모델의 구조를 유지하면서도 간단한 학습 제어를 통해 성능 개선이 가능하다는 점에서 실용성이 크다.

[청취 후기 1 - Extending YOLO for Feature-Based Classification Through Numerical-to-Image Transformation]

전통적인 YOLOv5 모델을 구조화된 수치형 데이터에도 적용할 수 있도록 변환하는 방법을 제안하였다. Numerical-to-Image Strip Encoding(NISE)이라는 기법을 통해 수치 데이터를 이미지 형태로 재구성한 후, 이를 YOLOv5에 입력함으로써 기존 이미지 기반 분류기법을 구조화된 데이터에도 사용할 수 있도록 하였다. 실험 결과, 이 방법은 복잡한 수치 데이터셋에서도 경쟁력 있는 정확도를 보여주었고, PCA 기반 차원 축소를 통해 처리 효율도 고려하였다. 발표자가 발표 중간에 QR 코드를 통해 실시간 데모를 제공하여 참가자들이 실제로 변환된 이미지를 보고 실험을 따라해볼 수 있었던 점이 특히 인상 깊었다.

[청취 후기 2 - Enhancing Traffic Accident Detection with YOLOv5 in Smart City Road Monitoring]

스마트시티 환경에서 교통사고 감지를 위해 YOLOv5를 활용한 객체 탐지 기반 시스템을 제안하였다. 기존 시스템이 영상 내의 정적인 이상상황만을 판단하던 방식에서 나아가, 이 연구는 동적 사고 패턴을 실시간으로 인지할 수 있도록 했다. 특히, 사고 발생 직후의 차량 방향 변화, 정지 프레임, 보행자 움직임 등을 주요 단서로 활용하여 탐지 정확도를 높였다. 다양한 도시 CCTV 영상 기반 데이터셋에서의 실험 결과, YOLOv5 기반 방법이 빠르고 정확하게 사고를 인지함을 보여주었으며, 발표자 또한 실제 교통 상황을 시뮬레이션한 예제를 통해 실시간 반응성을 강조하였다. 발표 내용은 기술적 완성도도 높았고, 도시 안전이라는 사회적 가치와도 잘 맞아 매우 인상 깊었다.