[청취후기]

1.    
Faster R-CNN의 중심 Convolution Neural Network 모델이 훈련 및 추론에 미치는 영향에 대한 분석

 본 발표에서는 Faster R-CNN의 중심 convolution neural network로서 사용할 수 있는
AlexNet과 ResNet을 이용해 훈련한 결과를 비교 분석하였다.

Faster R-CNN의 세 가지의 모듈을 사용했다. 

1) CNN 입력 이미지의 중요정보가 함축된 feature map 

2) 지역
제안네트워크 (Region Proposal Network, RPN)모듈로 Bounding box 좌표와 동시에 Objectness 점수를         예측하는
Sub-network 

3) Fast R-CNN으로 object 판별

*Faster R-CNN은 기존의
R-CNN이라고 하는 초기 모델을 가속화한 개량된 최신 모델이라고 정의 되어있다.

 고고도 이미지에서 자동차 탐지를 위한 open dataset (COWC)를
사용하였다. R-CNN간 AlexNet과 ResNet를 비교했는데 ResNet의 layer 수가 AlexNet에 비해 19배 많았다. 총 Parameter
수 또한 ResNet이 4.1배, 훈련 소요시간 역시 파라메터 수에 비례해 약 4배를 나타냈다. 테스트 성능은 F-measure로
Precision과 Recall에서 각각 38%, 60%
AlexNet에 비해 향상된 결과를 보여주었다.

 객체 탐지 모델 Faster R-CNN의 중심부 CNN이 무엇이냐에 따라 성능이 좌지우지 되었다는 것을 배울 수 있게 되었다. 앞으로
CNN이 Deep Learning에서 주를 이루고 있는 점에
착안하여 CNN의 큰 구조부터 시작해 Object Detection 범주에
속하는 R-CNN, Fast R-CNN, Faster R-CNN, SSD 를 차근차근 공부를 해가야겠다. 또한 최근 ANN을 활용한 가상계측(VM)분야의 논문들이 Accepted되어 올해 봄부터 게재되었다. Neural Network를 적용한 VM 문제를 풀어나가는 선행 연구들을
지속적으로 읽으며 초석을 쌓도록 하겠다.

2.    
반도체 설비데이터 분석을 통한 주요 변수선택 알고리즘 개발

 반도체 설비 데이터의 결측치가 있고 계측치가 적은 경우에 적합한 중요 변수 선택 방법을 제안했다. Semi-supervised Learning 과 Lasso, PLS-VIP 방법론을
적용한 사례였다. 공정 관측 데이터의 약 21%의 결측치가 존재하는 상황이었다. 이에 데이터의 결측치 대체(Data Imputation) 알고리즘을
사용해 결측치를 채워주는 전처리를 시행했다. 결측률 0%, 10%,
20%인 경우를 대상으로 구분, 결측치 대체방법으론 N/A,
Mean, TSR(Trimmed Scores Regression) 알고리즘을 사용했다. 그리고
5-fold Cross Validation으로 연구 결과의 안정성을 확보했다.

R-square 값을 기준으로 

- 설비.1 에서는
PLS Regression과 Lasso Regression에
모두 TSR 처리한 것이 우수한 성능을 나타냈다. 

- 설비.2 에서는 Lasso Regression 방법이 전반적으로 성능이
좋았으며, 계측치에 Mean을 처리한 대체방법이 가장 좋은
성능을 나타냈다.

본 발표를 통해 데이터 대체(Data Imputation) 알고리즘과
Semi-supervised Learning이 모델의 성능을 향상시키는 것을 배울 수 있었다.