• 목록

<학회 후기>
25.06.18(수) ~ 25.06.21(토)일까지 제주도에서 열린 대한산업공학회 2025 춘계공동학술대회에 참가하였다. 이번 학회는 다양한 분야에서의 AI 적용 사례들을 살펴볼 수 있었다. 정말 다양한 분야에 대한 다양한 기법들을 보고 들을 수 있었고 시야가 넓어질 수 있는 아주 좋은 기회가 되었다. 또한, 단순히 모델의 성능만을 올리는 것이 아닌, 다양한 Data환경에서의 적합한 모델의 선정이 매우 중요하다는 것을 배우게 되었다. 이번 학회는 구두발표를 진행하게 되었는데, 도메인 지식이 중요한 발표라고 생각하여 최대한 청자가 알아들을 수 있도록 쉽게 설명하기 위한 준비를 하였으며, 발표 실력이 늘 수 있는 좋은 기회가 되었다. 이런 좋은 기회를 제공해주신 교수님께 다시 한번 감사함을 느끼게 되었다.

<발표 후기>
6월 19일 (목)
세션: F6.2 산업인공지능(13)
제목: Unsupervised Pseudo Label Learning for Quantifying Tumor-Infitrating Lymphocytes using Multi-marker in Histopathology
본 연구에서는 병리 이미지 기반 가상 염색 과정에서 발생하는 구조 보존 문제를 해결하기 위한 프레임워크를 제안하였다. 기존 CycleGAN 기반 stain-to-stain 변환 방식은 H&E와 CD45 간 구조 정합이 어려운 특성상 병리학적 의미를 왜곡할 수 있다는 한계가 있었다. 이를 해결하기 위해, CD45 염색 이미지를 형광 이미지로 변환하여 구조 정보를 강조하고 이를 입력으로 활용하는 방식으로 모델을 구성하였다. 또한, TILs의 위치가 H&E 이미지에서 세포핵(Hematoxylin 채널)으로 잘 반영되도록 유도하기 위해 nucleus loss를 설계하였다. 이는 CD45 이미지에서 추출한 림프구 중심 좌표와 H&E의 세포핵 확률 맵 간의 cross entropy를 계산함으로써 병리 구조를 보존하도록 학습을 유도하는 방식이다. 현재 병리학적 의미 보존에 대한 학습은 잘 유도되나, 세포핵에 대한 정보를 강제적으로 학습하게 되어 artifact가 일부 발생하게 되었다. loss의 계산 과정, 스케일의 완화 등의 방법을 통해 이러한 artifact 발생도 최소화하는 추가하여, 본 연구를 개선하고자 한다.

<청취 후기>
6월 19일(목)
세션: F6.4 산업인공지능(13)
제목: Classifying Mixed-Defect from Class-Imbalanced Single-Defect in Wafer Bin Maps using Class-Mixing Diffusion Model with Prompt-Wise Attention Score Similarity
본 발표는 반도체 제조 공정에서 수율 향상을 위해 사용되는 Wafer Bin Map데이터를 분류하는 문제를 다루며, 특히 class imbalance 및 unseen mixed-class에 대한 일반화 문제를 해결하는 새로운 diffusion 기반 분류 모델을 소개하였다. 본 연구는 WBM 데이터가 정상 샘플 중심으로 편향되고, 다양한 결함 유형이 혼합된 mixed-class가 희귀하여 학습이 어렵다는 것에 주목하였다. 이를 해결하기 위해 두 가지 주요 기법이 제안하였다. 첫째는 Class-Mixing Diffusion Model로, 단일 클래스 이미지를 사용하여 복합 클래스의 특징을 간접 학습하도록 구성되었다. 둘째는 Prompt-wise Attention Score Similarity로, diffusion 모델의 생성 과정을 통해 각 클래스와의 유사도를 계산해 분류 정확도를 높이는 방식이다. 특히 CMDM은 적은 데이터로도 unseen mixed-class의 특성을 포착하고, PASS는 기존 diffusion 분류기의 한계인 seen-class 성능 저하를 개선하는 역할을 하였다.
class 편항 문제를 해결하는 방법이 인상 깊었고, WBM뿐만 아니라 다양한 CV Task에도 기법은 달라도 비슷한 방식의 class 편향 문제를 해결할 수 있는 방법이라고 생각하였다.