[학회 후기]

이번 2022 ICIEA 학회는 처음으로 참석한 해외 학회였다. 오프라인 참석까지 잠시 기대를 했었지만 역시 코로나 상황 때문에 온라인으로 참가하게 되었다. 이제는 너무나 익숙한 줌을 이용한 온라인 참석이었지만, 영어로 진행되는 해외 학회이기 때문에 긴장감을 놓칠 수 없었다. 학회 마지막날 발표여서 그 전에 다른 세션 발표도 청취를 했는데, 다양한 국적의 발표자들이 나름대로의 연구 내용을 발표하는 것을 보고 많은 자극을 받을 수 있었다. 내가 발표한 세션에서는 CNN과 LSTM을 결합하여 speech recognition을 시도한 연구, YOLOX 모델을 개선한 Effi-YOLOX를 제안하여 차량 타입을 분류하는 모델에 대한 연구도 있어서 흥미롭게 들을 수 있었다. 오프라인이었다면 물론 더 좋았겠지만 정말 좋은 경험을 했다고 생각하고, 그동안 내가 연구한 내용이 참석한 분들에게 잘 전달됐기를 바란다. 

[발표 후기]

1. Object-level Data Augmentation for Detecting Steel Surface Defects

Technical session 18(Signal and Information Processing)에서 3번째 순서로 발표를 진행했다. 강판 표면 결함 검출을 위한 객체 수준의 데이터 증강 기법에 대한 내용을 주제로 발표했다. 객체 수준의 데이터 증강은 기존 다른 연구에서 제안된 방법론으로, semantic segmentation 문제에서 주어진 이미지를 대상 객체와 배경으로 분리하여 대상 객체에만 데이터 증강을 적용하는 기법이다. 본 연구는 이 증강 방법을 강판 표면 결함 이미지 데이터의 특성에 맞게 개선하고 데이터 불균형이라는 현실적인 문제를 해결하고자 연구한 내용이다. 이를 위해 object-level augmentation 단계에서는 minor class의 성능을 향상시키기 위해 class별로 다르게 차등화하여 적용하는 coefficient를 제안하고, 이를 minor class에 더 높게 적용하여 데이터 불균형을 해소하고자 하였다. Background inpainting 단계에서는 강판 표면 결함 이미지의 특징을 반영하여 valid background의 평균값으로 background inpainting하는 방법을 제안하였다. 마지막으로 validity check 단계에서는 augmented object가 valid background에만 결합될 수 있게 validity check라는 알고리즘을 제안하여 도입하였다. 이러한 제안 방법론을 통해 기존의 image-level augmentation을 적용한 모델보다 5개의 model architecture에서 더 높은 성능을 보였고, 특히 minor class의 성능이 모든 실험에서 더 높은 성능을 보였다. 본 연구의 결과는 현실적인 데이터셋을 활용하였기 때문에 실제 현업에서도 활용가능할 것으로 생각된다.

질문 1: Image-level augmentation model과 비교하여 제안 방법론이 더 높은 성능을 보였는데 어떤 요소 때문에 성능이 높아진 것이라고 생각하는지?

답변: Object-level augmentation 단계에서 제안한 class coefficient가 데이터 불균형 문제를 해소하며 minor class와 함께 전체적인 성능을 높인 것이라고 생각한다.

질문 2: 데이터셋이 실제 제조라인에서 수집된 데이터라고 하였는데 데이터 수집을 어떻게 한 것인지?

답변: 데이터셋은 실제 제조라인의 데이터이긴 하지만 직접 수집한 것이 아니고, 공개된 오픈 데이터를 사용한 것이다.

질문 3: 다양한 모델 구조에 대한 비교 실험을 진행했는데 다양한 모델들을 어떻게 코드로 구현한 것인지?

답변: 모델 구조에 대한 코드는 Github에 공개된 오픈소스 코드를 활용하여 구현하였다.