• 목록

<발표 후기>
일시: 6월 20일
제목: 해부학적 정보에 기반한 수의학 X-ray 영상 정합
  해당 발표는 수의학 영상 진단 현장에서 반복적으로 나타나는 자세 불일치 문제를 해부학적 기준 정보를 활용해 해결하려는 접근을 중심으로 구성된다. 동물 환자는 촬영 중 움직임이 많아 자세를 일정하게 유지하기 어렵고, 이로 인해 영상의 해부학적 구조가 뒤틀리거나 왜곡되어 진단 정확도에 심각한 영향을 미친다. 따라서 영상 정합 시 해부학적 구조 자체를 손상 없이 보존하는 것이 매우 중요하며, 이번 연구는 그 필요에 기반해 설계된다.

  정합 과정에서 활용되는 핵심 요소는 해부학적 구조 강조 지도이다. 이는 올바른 자세의 이미지들로부터 공통된 구조적 특징을 정량적으로 추출하고 시각적으로 강조한 것으로, 모델이 중요한 해부학 영역에 집중할 수 있도록 돕는다. 특히 정합 대상이 아닌 다리 등 주변 구조는 의도적으로 낮은 가중치를 부여해 정합 왜곡을 방지한다. 또한, 학습 데이터의 불균형 문제는 카테시안 페어링 전략을 통해 대응한다. 하나의 잘못된 자세 이미지에 대해 동일 개체 내 모든 올바른 자세 이미지와 조합을 생성함으로써, 데이터의 다양성을 확보하고 정합 성능의 일반화를 돕는다. 또한 모델 구조는 전체적인 형태 보존을 위한 Global Information 모듈과 지역적 해부학 보존을 위한 Shape Preservation 모듈로 구성되어 있어, 영상 전체와 부분적 구조를 균형 있게 고려한다.
 
  발표자로서 실제 발표를 진행하며 느낀 점은, 정합 기술이라는 추상적 개념이 ‘해부학적 구조’라는 직관적인 기준과 연결될 때 청중의 이해도가 확연히 높아진다는 점이다. 특히 시각 자료를 통해 강조 지도의 생성 과정과 정합 전후 결과를 비교했을 때, 많은 청중이 고개를 끄덕이며 공감하는 반응을 보여 발표 전달의 효과를 체감할 수 있었다. 이번 발표를 통해 정합 모델 설계에 있어서 도메인 특성(수의학 영상, 자세 불일치 등)을 어떻게 반영할 것인지, 그리고 데이터셋 구성 전략이 실제 성능에 어떤 영향을 주는지를 직접 정리하고 정량적으로 검증하는 경험을 할 수 있었다.

<청취 후기>
일시: 6월 19일
제목: 제조 공정의 변동성 대응을 위한 Stream 학습 기반 접근
  해당 발표는 제조 공정에서 발생하는 데이터 드리프트 문제를 다루며, 기존의 Batch 학습 방식 대신 Stream 학습 방식의 필요성을 강조하는 내용이었다. 공정이 항상 동일한 조건에서 작동하지 않는다는 점, 즉 입력 조건이 같더라도 출력 품질이 달라질 수 있다는 현상이 전제로 제시되었고, 이는 설비 노후화나 외부 환경 변화 등 다양한 원인에 의해 발생할 수 있다는 점이 설명되었다. 또한, 공정 조건이 계속해서 변하는 환경에서는 Stream 학습을 기반으로 하는 Rule Mining 접근이 유효할 수 있음이 언급되었다. 기존에 사용되던 PRIM, CART 같은 규칙 기반 모델들도 Stream 환경에 맞게 수정되어야 한다는 점이 함께 제시되었으며, 이는 산업 현장의 실시간 데이터 흐름을 반영한 실질적인 대응 전략으로 보였다.

일시: 6월 20일
제목: AutoLabeling 기반 Recognition 데이터 생성 개선 접근
  해당 발표는 AutoLabeling을 통한 REC(Recognition) 데이터 생성의 한계점과 이를 개선하기 위한 다중 AI 모델 기반 접근 방안을 다루었다. 발표자는 기존 VLM을 활용한 AutoLabeling 방식에서 발생하는 주요 문제들을 짚으며, 실제 데이터 구축 현장에서 자주 나타나는 오류들을 구체적으로 설명하였다. 대표적인 문제로는 객체 누락, bbox 좌표의 부정확성, 소형 객체 인식 실패, 그리고 객체를 설명하는 텍스트의 다양성 부족 등이 있다. 이처럼 AutoLabeling은 비용 절감에는 유리하지만, 품질 저하로 인해 활용에 어려움이 있다는 점이 강조되었다.

  이를 해결하기 위해 발표자는 세 가지 핵심 기술 전략을 제안하였다. 첫째는 객체 탐지 특화 모델을 활용하여 객체 누락과 bbox 오류 문제를 개선하는 방식이다. 이 과정에서 Yolov8x 모델이 사용되었으며, 모델이 탐지하지 못한 영역에도 추가적으로 bbox를 생성하는 접근을 소개하였다. 둘째는 Super Resolution 모델을 활용해 저해상도 이미지 내 소형 객체의 인식 성능을 향상시키는 방법이었다. 이를 통해 기존 VLM의 인식 한계를 보완하고자 하였다. 셋째는 VLM과 LLM을 결합하여 객체에 대한 언어적 표현의 다양성을 확보하는 전략이 제시되었다. Prompt 설계를 통해 기존 AutoLabeling에서 부족했던 객체 묘사의 폭을 넓히려는 시도였다.

  발표에서 가장 인상 깊었던 부분은 단순한 설명을 넘어서 실제 이미지 예시를 통해 개선 전후 결과를 비교한 점이었다. 이러한 시각적 비교는 기존 AutoLabeling의 한계를 명확히 보여주는 동시에, 제안된 기법이 어떤 식으로 문제를 보완하는지를 직관적으로 이해하는 데 큰 도움이 되었다.