[학회후기]

이번 학회는 연구실에 입학한 이후 처음으로 발표하는 학회인 만큼 느낌이 새로웠다. 지금까지는 연구실 선배들의 발표와 관심 있는 세션에 들어가서 다른 사람들의 연구 결과를 보는 등 비교적 가벼운 마음으로 학회에 참가했다. 하지만 이번 학회에서는 현재 진행 중인 개인 연구에 대해 다른 사람들에게 소개해야 하는 만큼 부담이 되었다. 제안하는 아이디어에 대해 실험하고 좋은 결과를 내기 위해 노력했지만, 끝까지 원하는 결과를 얻지 못해 실험 결과에 대해 학회에서 소개하지 못한 부분이 가장 아쉬웠다.

[발표후기]

오래된 이미지 복원은 이미지 내에 하나의 손상이 있다고 가정하는 기존의 이미지 복원 연구들과 다르게 이미지 내에 복합적인 손상이 존재한다고 가정한다. 또한 오래된 역사 사료들을 복원한다는 관점에서 봤을 때 역사 사료와 유사한 형태의 이미지를 대량으로 수집하는 것은 매우 어렵다. 따라서 모델이 학습한 이미지와 실제 복원하고자 하는 이미지 사이에는 차이가 존재하게 된다. 이러한 차이를 줄이기 위해 해당 연구에서는 domain adaptation을 활용한 오래된 이미지 복원 연구를 수행했다. 특히, domain gap을 이미지의 대상이 변화하는 content gap과 이미지의 손상 방법이 변화하는 style gap으로 나누어 정의했으며 두 가지의 domain gap을 줄이기 위한 아이디어를 제안했다. 세션 중 가장 인상 깊었던 점은 좌장님께서 실제 실험을 하고 연구를 진행하는 학생들 입장에서 도움이 될 수 있도록 발표자들이 실험을 통해 얻었던 경험을 같이 공유해 주면 좋겠다고 하셨다. 지금까지 학회에 참석했을 때 질문 내용은 대부분 연구 내용에  초점이 맞추어져 있었다. 하지만 실제로 개인 연구를 진행해보니 실험을 직접 설계하고 아이디어를 증명해 나가는 과정은 단순히 내용에 대한 이해와는 또 다른 문제였다. 이번 세션에서 각 발표자가 공유해준 실험에 대한 경험들이 앞으로의 연구에 큰 도움이 될 것 같다.

[청취후기]

-트랜스포머 기반의 시계열 이상치 탐지 방법론

시계열 이상치 탐지 방법론은 크게 두 가지로 나뉜다. 첫 번째는 과거의 시계열 데이터를 바탕으로 미래의 데이터를 예측하고 미래의 데이터가 예측값에서 크게 벗어나는 경우 이를 이상치로 판단하게 된다. 두 번째는 정상 데이터를 통해 입력 데이터를 복원하는 모델을 학습한 후 새로운 데이터가 입력되었을 때 데이터가 잘 복원되면 정상, 데이터가 잘 복원되지 못하면 비정상으로 판단하게 된다. 해당 연구에서는 트랜스포머를 기반으로 하는 예측 기반 시계열 이상치 탐지 방법론을 제안하고 있으며 다른 방법론들에 비해 성능이 우수하다는 것을 실험적으로 입증하였다. 다만 데이터가 증가 혹은 감소하는 경향성을 보이거나 데이터의 scale이 변화하면 이상치를 정확히 탐지하지 못한다는 단점을 가지고 있다. 단순히 제안 방법론의 우수성뿐 아니라 방법론의 한계점까지 설명해주어 제안 방법론의 특성을 이해하는 데 많은 도움이 되었다.

-딥러닝 기반 의미론적 영상 분할을 활용한 위성영상 내 건물 및 도로 추출

위성사진에서 각 건물을 구분하는 instance segmentation을 수행한 연구였다. Unet, Unet++, SPPNet을 활용했으며 Unet 기반의 방법론들이 SPPNet에 비해 좋은 성능을 보였다. 다만, 일부 예측 사진에서 건물과 배경의 경계가 무너지는 현상들이 발생했다. 이를 보완하기 위한 방법으로 좌장님께서 딥러닝 기반의 방법론이 아닌 전통적인 computer vision 기반의 방법론들이 이미지의 경계를 탐지하는 데에는 여전히 우수한 성능을 낸다는 것을 알려주셨다. 이를 기반으로 방법론을 발전 시켜 나간다면 우수한 성능을 낼 수 있는 방법론으로 발전시킬 수 있는 좋은 연구가 될 것 같다.