[학회 후기]

4/9~12일 일본 교토에서 열린 2026년 ICIEA에 참가하였다. 이번 학회에서는 스마트 팜, 제조 시스템, AI 기반 예측 모델 등 다양한 산업공학 및 인공지능 연구를 접할 수 있었으며, 특히 실제 산업 현장과 연결된 연구들이 많아 흥미롭게 들을 수 있었다. 학회 기간 동안 여러 세션을 들으며 기존에 관심 있던 분야뿐 아니라 새로운 연구 흐름도 접할 수 있었고, 이를 통해 연구 주제에 대한 시야를 넓힐 수 있었다. 또한 해외 연구자들의 발표를 직접 듣고 질의응답을 지켜보면서, 연구 내용을 효과적으로 전달하는 방식과 발표 구조에 대해서도 많은 인사이트를 얻을 수 있었다.

특히 이번 학회는 나에게 첫 해외 학회 발표라는 점에서 더욱 의미가 컸다. 처음에는 많이 떨렸지만, 그만큼 발표를 위해 철저히 준비한 덕분에 무사히 잘 마무리할 수 있었다. 발표를 통해 스스로의 연구를 다시 한 번 정리해볼 수 있었고, 앞으로 더 발전시켜 나가야 할 방향에 대해서도 고민해볼 수 있는 계기가 되었다. 이번 학회는 단순한 발표 경험을 넘어, 앞으로의 연구 방향을 고민해볼 수 있었던 의미 있는 시간이었다.

[발표 후기]

이번 학회에서는 “Radial Loss: Enabling Few-Shot Instance Segmentation for Crop Images”라는 주제로 발표를 진행하였다.

본 연구는 스마트 팜 환경에서 작물 이미지를 인스턴스 단위로 분할하는 문제를 다루며, 특히 작물 간 간격이 좁고 경계가 모호한 환경에서 발생하는 segmentation 성능 저하 문제를 해결하고자 하였다. 기존에는 IoU loss나 Star-shape prior와 같은 방식이 사용되었지만, 이는 여러 개의 작물이 겹쳐 있는 상황에서 경계를 명확하게 구분하는 데 한계가 있었다. 이에 본 연구에서는 작물의 형태적 특성(대체로 중심에서 바깥으로 퍼지는 구조)에 착안하여, 중심점으로부터 방사형으로 샘플링을 수행하는 Radial Loss를 제안하였다. 또한 boundary 영역에 더 집중적으로 학습이 이루어지도록 Dynamic Search 기법을 함께 적용하였으며, 실험 결과 few-shot 환경에서도 기존 방법 대비 일관된 성능 향상을 확인할 수 있었다.

발표 이후에는 몇 가지 의미 있는 질문을 받을 수 있었다.

질문1) 상추와 같이 원형 구조가 아닌 작물에도 적용 가능한가요?
답변1) 제안한 방법은 다른 작물에도 적용 가능하지만, 본 연구에서 가정한 형태적 특성과 다를 경우 성능 향상의 정도는 달라질 수 있습니다.

질문2) IoU loss를 완전히 대체할 수 있나요?
답변2) 이론적으로는 가능하지만, 현재 연구에서는 IoU loss와 함께 사용하는 것이 더 안정적인 성능을 보일것으로 예상되며 추가 실험을 통해 더 검증해보겠습니다.

질문3) 사용한 데이터셋은 기존 벤치마크와 어떤 차이가 있나요?
답변3) 기존 데이터셋은 이미지당 단일 객체가 포함된 경우가 많은 반면, 본 연구의 데이터셋은 한 이미지에 최대 20개 이상의 작물이 포함되어 있어 훨씬 더 복잡하고 challenging한 환경입니다.

질문4) segmentation 결과에서 마스크가 조각처럼 깨지는 이유는 무엇인가요?
답변4) FastSAM이 YOLOv8-seg 기반으로 bounding box를 먼저 예측한 뒤 threshold를 통해 mask를 생성하는 구조이기 때문에, threshold 설정이 적절하지 않을 경우 사각형 형태의 artifact나 불완전한 segmentation이 발생할 수 있습니다.

이번 발표를 통해 연구 내용을 정리하고 전달하는 과정에서 스스로 이해를 더욱 깊게 할 수 있었으며, 질의응답을 통해 예상하지 못한 관점에서 연구를 다시 생각해볼 수 있었다는 점에서 의미 있는 경험이었다.

[청취 후기]

1. Queueing Theory as Operational Physics: Toward Foundation Models for Manufacturing and Service Systems

이 발표에서는 제조 및 서비스 시스템을 위한 산업용 foundation model의 필요성과 방향성에 대해 다루었다. 단순한 데이터 기반 접근만으로는 실제 산업 환경의 복잡한 동적 특성을 충분히 반영하기 어렵다는 점을 지적하며, 이를 보완하기 위해 큐잉 이론과 같은 전통적인 이론을 함께 활용해야 한다는 점이 강조되었다.

특히 제조 시스템을 flow 기반 시스템으로 해석하고 이를 물리적 관점에서 모델링하려는 접근이 인상적이었으며, 이러한 방식이 모델의 일반화 성능을 높이는 데 기여할 수 있을 것으로 느껴졌다.

2. Surrogate TEM Imaging from Inline OCD with Conditional Generative Models

해당 발표에서는 반도체 공정에서 inline OCD 데이터를 활용하여 TEM 이미지를 생성하는 conditional generative model 기반의 접근을 제안하였다. 일반적으로 TEM 이미지는 높은 해상도를 제공하지만 파괴적인 분석 방법이기 때문에 비용과 시간이 많이 소요된다는 한계가 있다. 이를 해결하기 위해 비파괴적으로 얻을 수 있는 OCD 데이터를 입력으로 활용하고, 이를 통해 TEM 이미지를 생성하는 surrogate 모델을 구축한 점이 흥미로웠다. 특히 OCD embedding과 noise를 함께 활용하여 조건부 생성 구조를 설계하고, 생성된 이미지와 실제 TEM 이미지를 discriminator를 통해 학습하는 방식이 인상적이었다. 실제 데이터 수집 과정에서도 동일 위치에서 OCD와 TEM 데이터를 매칭하여 학습 데이터를 구성한 점에서 현실적인 적용 가능성이 높아 보였으며, 반도체 공정에서 비용을 절감하면서도 정밀한 분석을 가능하게 할 수 있는 방향이라는 점에서 의미 있는 연구라고 느껴졌다.