[학회 후기]

2019년 4월 11일 “사례를 통해 본 AI
& BI” 주제로 서울 코엑스에서 열린 한국 BI 데이터 마이닝 학회에 참석하였다. 많은 기업과 대학교에서 준비한 다양한 발표들을 들으면서 많이 배우고 가치 있는 시간을 보낸 학회였다.

[청취 후기]

-      
GASNet : Generation and
Segmentation Networks for Identifying Wafer Defect Patterns

이번 세션은 창현이 형이 기존 연구에 더해 새로 제안하는 GASNet 알고리즘에
대하여 발표하였다. 반도체 공정에서는 수율 및 신뢰성을 높이는 것이 중요하여 불량을 조기에 탐지하고
불량 원인을 파악하여 개선하는 것이 필요하다. 이에 기존 연구에서는 data
point를 학습했다면 제안한 방법론은 Data distribution을 학습에 이용하였다. 먼저 generation model을 학습하여 segmentation model을 학습하는 연결된 형태의 방법론을 제안하였다.
Segmentation model을 이용하여 wafer bin map의 불량 패턴 분류를
진행하여 불량의 원인을 파악하고 개선하였다. Train data가 부족한 상황에서 효율적으로 Deep learning 모델을 학습할 수 있는 방법론을 제시함으로써 기존 연구보다 더 높은 분류 성능을 보일
수 있었다. 데이터 분포를 학습에 이용하는 방법에서 매우 흥미롭게 있었고 창현이 형의 연구를 통해 generative model에 대한 관심을 갖게 되어 다양한 공부 및 연구를 해보고 싶은 생각이 들었다.

-      
Deep learning을 활용한 X-ray 영상 Pneumoconiosis(진폐) 진단 보조 시스템 연구

이번 세션은 한성원 교수님 연구실의 송재승 연구원이 발표하였다. 진폐는
먼지를 흡입하여 폐 내에 축적이 되어 발생하는 폐의 조직 반응으로 지속적인 염증 반응에 의해 섬유화가 진행되면서 발생하는 병이다. 한국에는 다른 주요국과 달리 진폐증 판정에 대한 연구가 많이 없어 이번 발표를 매우 재미있게 들었다. 진폐 판정에 맞는 정확한 분류를 위해 data set을 일정 기준에
맞게 전처리 하고 딥러닝 모델 중 ResNet50, Inception V3, DenseNet121,
Se-ResNet50의 마지막 layer에 Global
Average Pooling으로 구성, VGGNet16, Inception v1은 Softmax layer 이전 layer를 Dense layer 세 층으로 구성하여 softmax를 취해 진폐증인지
아닌지를 분류하였다. 결론적으로 DenseNet121 모델이
높은 정확도를 보였고 Crop Image를 사용하지 않은 X-ray 원본을
사용할 때 높은 정확도를 보였다. 다음 연구에는 기존의 딥러닝 모델을 사용하는 것 뿐 아니라 진폐증
X-ray 데이터를 통해 새로운 방법론을 제시하여 더 좋은 분류 모델을 소개하면 좋겠다는 생각이 들었고
의료 데이터는 매우 희귀하여 기회가 된다면 의료 데이터를 통해 다양한 분석 및 연구를 해보고 싶다.