[학회후기]

지난 4월12일부터 15일간 일본 도쿄 와세다 대학교에서 진행된 ICIEA(International Conference on Industrial Engineering and Applications) 학회에 다녀왔다. 해외에서 개최된 학회이니만큼 다국적 연구자가 모인 만큼 신선한 도메인에 대한 응용 연구도 접할 수 있는 기회였다. 평소 참가해온 학회와는 달리 세션별 방법론에 대해 경계가 크지 않았기에 평소에 접하기 어려웠던 SCM, 최적화 등 다양한 주제를 접해볼 수 있었고, 한국인 발표자들이 대다수 머신러닝 및 딥러닝 관련 연구를 발표해온 것을 토대로 국가별 기호를 확인해볼 수 있었던 것 같다. 특히, 이번 ICIEA는 대학원 입학 이래로 참석한 첫 해외 학회였기 때문에 준비하는 과정에서부터 마무리하는 순간까지 나에겐 오래 기억에 남을 것 같다. 먼저, 연구가 진행된 이후에도 발표자료를 준비하는 과정에서 청자에게 정확하고 흥미롭게 전달할 수 있도록 지도에 신경 써주신 교수님을 비롯하여 영어 표현과 장표의 흐름에 대해 질문하였을 때 적극적으로 도와준 연구실 모든 인원들께 너무 감사하다. 학회를 준비하는 기간동안 교수님께서 청자에게 몰입도를 유발하고 발표자에게는 논지에 맞는 장표를 구성하는 것에 대한 중요성을 거듭 언급해주셨는데, 학회장에 도착하고나서 중요성에 대해 다시한 번 확인해볼 수 있었다. 타인에게 본인의 연구를 주어진 시간내에 잘 전달하는 것 또한 우리가 갖추고, 노력해야할 태도라고 생각이 들었다. 이번 학회에서 느껴온 여러 감정들 중 아쉬움과 부족함에 대해 충분히 고민하고, 다듬어서 다음 학회를 더욱 잘 준비할 수 있는 밑거름으로 삼아야겠다. 마지막으로, 일본 학회장에 가서도 서로를 누구보다 진심으로 응원해주고, 물심양면으로 서로를 위해준 윤상오빠, 민정언니, 유연이에게 다시 한 번 진심으로 감사하다. 

[청취후기]

‘Efficient PCB fault segmentation and classification in real-time with convolutional neural network’, Yonsei University, South Korea

PCB는 인쇄 회로 기판으로 저항기, 집적회로 등의 전자푸품을 인쇄 배선판의 표면에 고정하고, 부품 사이를 구리배선으로 연결시켜 전자 회로를 구성하는 판이다. 해당 기판에서 발생하는 다양한 불량 상태(열화, 산화 등)를 이미지 분석을 통해 분류하고자하는 것을 목표로하며 더 나아가 segmentation을 통해 더욱 섬세한 분류 가이드를 제공하는 연구를 소개하였다. 실시간으로 두 task를 실현하기 위해 고안한 알고리즘이 흥미로웠으며, 하나의 모델 내에서 두 task를 이룰 수 있도록 고안한 점이 흥미로웠다. 발표 이후 내가 두가지 이상의 불량상태가 혼재하는 기판에 대한 데이터도 실험에 사용했는지에 대해 질문을 했는데, 한 제품(이미지)에 대해서는 하나의 불량만 존재한다고 답변을 해주셨다. 이런 점에서 실생활에 적용하기 위해 혼재된 데이터를 적용해보는 것이 중요한 이슈라고 생각한다. 이 점을 잘 보완해서 적용시킨다면 비단 인쇄 회로 기판 뿐만 아니라 이미지 데이터를 수집하는 다양한 제품 공정 도메인에 적용할 수 있다고 생각이 들었다. 나 또한 이미지 데이터를 활용하여 공정상황의 문제를 해결하는데에 관심이 있는데, 해당 연구에서 평소에 접하지 못했던 제품군에 대해 들어볼 수 있었던 만큼 공용데이터를 적극적으로 찾아봐야겠다는 생각이 들었다.

[발표후기]

 ‘Deep Neural Art Similarity for Painting Recommendation’이라는 주제로 작품의 추천시스템 및 특징해석에 응용가능한 유사도 정의에 소개하였다. 유사도를 정의하는 데에는 가정된 상황과 기준이 다양하지만 해당 연구에서는 이미지의 작품만 주어진 상황에서 유사도를 정의하는 비지도학습 접근을 시도하였다. 작품 이미지는 일반적인 이미지 데이터와는 달리 고려해야하는 특징들이 다양하다. 제안 연구에서는 작품의 특징을 콘텐츠, 스타일, 스트럭쳐로 정의하고 해당 특징을 이미지 인식에 뛰어난 딥러닝을 활용하여 추출하고자 한다. 콘텐츠와 스타일의 경우 이미지 변환(style transfer)연구에서 알려진 pre-trained VGG를 활용하고, featuremap과 gram matrix를 활용하여 각 특징을 수치적으로 추출한다. 또한, 스트럭쳐의 경우, 고차원 이미지의 특징을 저차원에 잘 축약한다고 알려진 Convolutional Auto Encoder를 활용한다. 세가지 특징을 각 추출한 이후, 해당 특징들을 적절히 병합하여 최종적인 그림 간 유사도를 정의하는 것이 최종 목표이다. 따라서 반복실험과 파라미터 탐색을 통해 적절한 가중치를 도출하여 가중합을 적용시킨다. 해당 방법론의 우수성을 확인하기 위해 100개의 이미지에 대해 유사도 제안 결과를 직접 확인해보고, 수치적으로 성능을 정의하였다.

질문1: Pre-trained CNN을 사용했다고 하였는데, 이유가 무엇인가?

답변1: Pre-trained CNN을 사용하게되면 학습에 필요한 시간을 해소하므로써  computing cost가 절감되는 효과를 얻을 수 있다. 해당 답변 이후로 RCNN을 사용해보는 것을 추천받았으며, 기회가 되면 해당 특징을 더욱 잘 도출해볼 수 있는 아키텍쳐를 고안해보아야겠다.​