• 목록

<발표 후기>

8월 24일(월)
세션: 포스터 세션 #1
제목: Geometry-Aware Self-Training for Monocular 6D Pallet Pose Estimation

본 연구에서는 단안 카메라 영상만으로 파렛트의 6D Pose를 추정할 때 실제 영상의 정답 레이블 취득 비용이 크고 합성 데이터로만 학습한 모델이 실제 영상에서 성능이 붕괴하는 문제를 개선하기 위한 방법론을 발표하였다. 합성 데이터 학습 단계에서는 파렛트 3D 경계 상자의 코너 8개와 중심점을 검출하는 DOPE 구조에 Mask Loss와 Differentiable PnP Loss를 추가해서 배경 텍스처에 반응하는 오검출을 억제하고 키포인트 배치가 파렛트의 기지 치수 비율에 정합되도록 하였다. 이후 레이블이 없는 실제 영상에 대해 Reprojection Consistency와 Flip Consistency 두 가지 Geometry Check를 적용하고 두 조건을 모두 통과한 프레임만 pseudo-label로 채택해 재학습하는 Self-Training Loop를 구성하였다.

8월 24일(월)
세션: 포스터 세션 #1
Hurdle Decomposition for Intermittent Demand under Matched Marginal Distributions
본 연구에서는 간헐수요 예측에서 전체 수요를 하나의 값으로 직접 예측하는 Point 방식과 수요 발생 여부와 발생 시 크기를 분리하여 예측하는 Hurdle 방식의 상대적 성능이 어떤 시간적 구조에 의해 달라지는지를 분석하였다. 주변분포를 동일하게 고정한 통제 합성데이터에서 발생 간격의 의존성, 발생 크기의 의존성, 희소도를 조작하고 동일한 모델 구조와 파라미터 조건에서 두 방식을 비교하였다. 실험 결과 Hurdle 방식은 대부분의 조건에서 Point 방식보다 우수했지만 그 이득의 크기는 조건에 따라 크게 달라졌고 단순한 희소도보다 발생 간격과 발생 크기의 시간적 의존성 간 상호작용이 성능 차이에 중요한 영향을 미치는 것으로 나타났다. 이를 통해 동일한 ADI(Average Demand Interval, 평균 수요 발생 간격)와 CV²(Coefficient of Variation Squared, 수요 발생 시 크기의 변동성을 나타내는 변동계수의 제곱)를 갖는 간헐수요라도 시간 순서 구조에 따라 적합한 예측 방식이 달라질 수 있음을 보였다.

<청취 후기>
[P2-64] 다변량 시계열 예측에서 변수별 학습 신호 충돌 완화를 위한 신뢰도 기반 기울기 조정 전략
본 연구는 다변량 시계열 예측에서 여러 변수를 함께 학습할 때 변수별 학습 난이도와 기울기 방향이 달라 서로 학습을 방해할 수 있는 문제를 다루었다. 이를 해결하기 위해 한 번의 backward 과정에서 변수별 gradient를 추정하고 원래 gradient를 신뢰성 있게 재현할 수 있는 layer만 선택한 뒤에 비슷한 변수들을 그룹화하여 gradient의 크기는 유지하면서 충돌하는 방향만 조정하는 방법을 제안하였다. 또한 기존 forecasting 모델의 구조를 변경하지 않고 적용할 수 있는 plug-in 방식으로 구성하여 다양한 시계열 예측 모델에 적용 가능하도록 하였다.

<학회 후기>
이번 데이터마이닝 학회에서는 다양한 연구 발표와 우수학회논문발표 세션을 통해 최근 연구 동향과 방법론을 접할 수 있었다. 특히 하나의 연구를 구성할 때 문제를 어떻게 정의하고 핵심 가설을 설정하는지와 제안 방법과 가설을 검증하기 위한 실험을 어떤 흐름으로 설계하는지를 살펴볼 수 있어 앞으로 연구를 진행하는 데 많은 참고가 되었다. 또한 직접 발표하고 다른 연구자들의 발표를 청취하면서 연구 내용을 효과적으로 전달하고 결과를 해석하는 방식에 대해서도 배울 수 있는 좋은 기회였다. 항상 다양한 학회에 참여하고 연구 경험을 넓힐 수 있는 기회를 마련해 주시는 교수님께 감사드립니다.