11월 29일, 고려대학교 하나스퀘어에서 한국 데이터마이닝학회 추계학술대회가 개최었다. 학부 시절을 포함해 3번째 데이터마이닝 학회에 참석하였지만, 매번 새롭고 재미난 주제가 많은 학회였다. 이번 학회에서 인상적이었던 부분은 Object Detection, Reinforcement Learning에 대한 발표들이 등장하기 시작하였다. 2019 춘계학술대회에서는 볼 수 없었던 주제라 생각한다. 그리고 처음으로 SAS 논문 경진대회 세션에 참석했는데, 질문의 수준이 매우 높아서 놀랐다. 연구실 선배이자 인천대 교수님이신 유재홍 선배의 질문 또한 매우 인상적이었다.

[청취 후기] Deformable Convolution-based Mask R-CNN

 해당 발표는 기존의 Mask R-CNN 알고리즘에 Deformable Convolution Neural Network를 적용한 내용이었다. Mask R-CNN은 예측 해야할 특정 Class에 해당하는 필터를 따로 생성하지 않는다. 하지만 Deformable Convolution은 예측하고자 하는 특정 Class에 해당하는 필터를 생성하여 성능을 올린 Network 구조이다. 발표자는 객체 탐지(Object Detection)을 더 잘하기 위해, 이러한 방법을 생각했다고 하였다. 지금 진행 중인 프로젝트에서도 이미지 내에 존재하는 아주 작은 객체를 탐지해야 할 필요가 있는데, 이를 적용 해 볼만하다는 생각을 했다.

[청취 후기] Interpretable Multimodal Learning for Product Design Data

 연구실 선배인 조윤상 연구원의 발표였다. Multimodal learning의 핵심 아이디어는 인간의 5감과 유사한 형태의 데이터를 잘 이용해서 예측 모델을 구축하는 것이다. 즉, 서로 다른 형태의 데이터를 조합하여 예측 모델을 구축하는 것이라고 할 수 있다. 발표 내용은 제품 설계를 진행 할 때, 제품에 대한 정형 데이터뿐만 아니라 제품을 부착하는 프레임의 형태를 이미지 데이터로 같이 입력 변수로 사용하여 예측 모델을 구축해서 성능을 높였다는 것이다. 여기서 Attention 기법과 CAM(Class Activation Map)을 함께 적용하여 예측 성능에 주요한 입력 변수를 선택하고, 만약 이미지 데이터가 주요 변수로 선택된다면 CAM을 이용해 원인을 분석하였다. Multimodal learning을 적용해보고 싶은 생각이 많았는데, 이를 직접 구현한 윤상이가 매우 멋졌고, 배울 점이 많다고 생각한다. 서로 다른 형태의 데이터를 Modeling 할 수 있을 기회가 있다면 이러한 방법을 적용해보고 싶다.