[학회 후기]

2022 대한산업공학회 춘계학술대회는 제주도에서 오프라인으로 진행되었다. 온라인으로 참가했던 2021 대학산업공학회 추계학술대회와 다르게 대학원 입학하여 처음으로 오프라인 학회에 참가하였는데, 직접 사람들과 소통하며 발표를 할 수 있다는 생각에 기분 좋은 긴장감을 가지고 제주도로 갔다. 학술대회 첫날 첫번째 세션에서 첫번째 발표를 맡았다. 이른 시간이지만 생각보다 많은 사람들이 있었고 연구 결과를 공유하고 질문도 받아 소통할 수 있어 좋은 경험을 할 수 있는 시간이었다. 이후 다른 사람들이 진행한 연구에 대해 들을 수 있었고 기술의 발전이 참 빠르다고 느꼈다. 더욱 열심히 연구를 진행하여 좋은 성과를 얻고 학회에서 발표해보고 싶다는 생각을 하게 되었다.

[발표 후기]

장애 유형 분류를 위한 딥러닝 기반 인간 행동 인식을 주제로 발표를 진행하였다. 최근 장애인을 위한 운동 프로그램이 개발되고 있고, 인간 행동 인식 분야도 많은 발전이 이루어지고 있다. 하지만 인간 행동 인식이 일반인을 기준으로 발전하여 장애인에게 바로 적용하기 어렵하는 한계점이 존재한다. 이러한 한계점을 해결하기 위해 장애인을 위한 인간 행동 인식 모델을 만들고자 하였다. 생체 데이터를 사용하는 것도 좋지만 이를 수집하는 것은 어렵기 때문에 이미지만으로 행동 인식을 할 수 있는 방법이 필요했다. 이미지만을 사용하는 방법은 한번의 학습만으로는 어려워 프레임워크로 제안하였다. 이미지만을 사용하기 위해 관절 추정 기술을 활용하였는데, 관절 추정 분야에서 가장 유명한 OpenPose에 비해 좋은 성능을 보여주는 BlazePose를 활용하여 이미지로부터 관절을 추정하였다. 이후 관절을 입력 값으로 사용하여 인간 행동 인식을 하기 위한 딥러닝 기술 중 시간을 반영한 LSTM과 시간에 공간의 개념을 추가하여 반영한 ST-GCN 두 모델을 통해 학습을 진행하였다. 이를 통해 이미지만을 활용하여 장애 유형 분류 및 운동 유형 분류를 할 수 있는 프레임워크를 제안하였다. 만들어진 프레임워크와 연구에서 수집된 장애인 영상을 활용하여 학습을 진행하여 장애 유형 분류와 운동 유형 분류를 진행할 수 있었다. 하지만 인물이 너무 적다는 한계점도 존재하여 추가적인 데이터를 얻어 학습을 진행하고자 한다.

질문) frame을 나누면 연속성이 무너지지는 않는지?

답변) 1초에 5개의 frame을 사용했을때 성능적인 측면이나 실제 이미지로 확인해보아도 연속성이 무너지는 현상은 발견하지 못했습니다.

[청취 후기]

1. 원형관 X-ray 불량 탐지 성능 고도화를 위한 Faster AR-CNN 모델 (Faster Attention-based R-CNN) 개발 (변윤선, 박관용, 문지원, 김지현, 백준걸 - 고려대학교)

원형관은 Oil/Gas, Chemicals/Petrochemicals 등 다양한 산업에서 유체 물질 운송에 활용이 된다. 글로벌 원형관 시장이 빠르게 성장함에 따라 수요가 증가하고 이에 맞는 품질 및 성능 개선 연구가 이루어지고 있다. 이를 X-ray를 활용하여 불량의 종류 및 발생 위치를 탐지하는 연구에 대해 발표를 진행하였다. 원형관 X-ray 결함 탐지의 경우 양질의 레이블링 데이터가 부족한 경우가 많고 결함의 발생 빈도도 부족하여 데이터 부족 및 데이터 불균형 문제가 발생한다. 이처럼 충분한 학습 데이터를 확보하지 못하는 경우에 적용 가능한 알고리즘이 다양하게 있는데, 본 발표에서는 Semi-supervised Object Detection 모델을 개발하였다. 이러한 이미지를 이용하여 이상치를 탐지하는 경우 segmentation을 많이 활용하는 것으로 알고 있으나 해당 발표에서는 bounding box를 활용하였다. 이를 통해 정말 작은 이상치에 대해서도 좋은 성능을 보여 유의미한 결과를 도출하였다. 데이터가 항상 풍부하지 않은데 대안을 찾아 좋은 성능을 보일 수 있다는 것이 다시 한 번 중요한 부분이라는 생각을 하게 되는 발표였다.

2. 딥러닝 시계열 모델을 활용한 비대면 면접자의 성격유형 판별 연구 (김보상, 김남욱 - 서울과학기술대학교)

코로나 전후로 비대면으로 면접을 보는 경우가 많아졌다. 비대면으로 면접을 시행하면서 기업에서는 면접자를 다양하게 분석하고자 한다. 하지만 기존 연구들은 감정 등을 정량적으로 측정하였으나, 이를 실제 면접자의 성격 유형으로 레이블링하여 딥러닝 모델에 기반하는 경구는 없었다. 해당 발표에서는 단순한 랜드마크 데이터와 면접자의 실제 성격유형을 활용하여 비대면 면접에 활용할 수 있는 인공지능 면접 시스템을 제안하였다. 여기에서 랜드마크 데이터는 얼굴부터 어깨까지의 관절좌표라고도 할 수 있어 개인적으로 수행했던 연구를 이런식으로 확장할 수 있을 것이라고 생각하였다. 하지만 데이터 정의 등에서는 명확하지 못하다는 느낌을 받았고 이러한 점을 구체적이고 쉽게 청자에게 전달할 수 있도록 하는 것이 중요하다는 생각을 하게 되었다.