¡è À§ ¹è³Ê¸¦ Ŭ¸¯ÇÏ½Ã¸é µË´Ï´Ù
Àû¸³ : 0 P
¸¶°¨ : 0000-00-00
±¹³» ±â¾÷ ÃÖÃÊ ¡¦ Á¤±Ô ³í¹® 14°³¡¤¿öÅ©¼¥ ³í¹® 3°³ ¹ßÇ¥ÄÄÇ»ÅÍ ºñÀü ±â¹Ý ±â¼ú ¹× ¼ºñ½º °¡´ÉÇÑ ¼º°ú ¼Ò°³¼¿ï´ë-³×À̹ö Çù¾÷ 3°³ ³í¹®¡¦ ÃÊ´ë±Ô¸ð AI ¿¬±¸¼¾ÅÍ ¼º°ú °¡½Ãȳ×À̹ö Ŭ·Î¹Ù,»ó¹Ý±â žÇÐȸ Á¤±Ô ³í¹® 60°³ ¹ßÇ¥[À̵¥Àϸ® ±èÇö¾Æ ±âÀÚ]
³×À̹ö °ü°èÀÚ°¡ Âü°¡Àڵ鿡°Ô ¿¬±¸³»¿ëÀ» ¹ßÇ¥Çϰí ÀÖ´Ù. »çÁø=³×À̹ö
CVPR ÇÐȸÀå ³» ³×À̹ö ºÎ½º¿¡ Âü°¡ÀÚµéÀÌ ¸ð¿© ÀÖ´Ù. »çÁø=³×À̹ö³×À̹ö Ŭ·Î¹Ù°¡ ¼¼°è ÃÖ°í AI ÇÐȸÀÎ ¡®CVPR(Computer Vision and Pattern Recognition) 2022¡¯¿¡¼ ±¸µÎ ³í¹® 1ÆíÀ» Æ÷ÇÔÇØ Á¤±Ô ³í¹® 14°³, ¿öÅ©¼¥ ³í¹® 3°³¸¦ ¹ßÇ¥Çϸç, ±Û·Î¹ú AI ±â¼ú ¸®´õ½ÊÀ» ÀÔÁõÇß´Ù. ±¹³» ±â¾÷ÀÇ ¿¬±¸Á¶Á÷ÀÌ CVPR¿¡¼ µÎ ÀÚ¸´¼ö ³í¹®À» ¹ßÇ¥ÇÑ °ÍÀº ³×À̹ö Ŭ·Î¹Ù°¡ ÃÖÃÊ´Ù. ³×À̹ö·¦½ºÀ¯·´ ¹× ³×À̹öÀ¥Å÷ÀÇ ¼º°ú±îÁö Æ÷ÇÔÇÏ¸é ³×À̹ö ¹× °è¿»çÀÇ ³í¹® °³¼ö´Â 22°³¿¡ ´ÞÇÑ´Ù.CVPRÀº IEEE¿Í CVF°¡ °øµ¿ÁÖÃÖÇÏ´Â Çмú´ëȸ 1983³â ½ÃÀÛµÈ CVPRÀº ¼¼°è ÃÖ´ë ±â¼ú Àü¹® ´ÜüÀÎ Àü±âÀüÀÚ°øÇÐÀÚÇùȸ(IEEE)¿Í ÄÄÇ»ÅͺñÀüÇùȸ(CVF)°¡ °øµ¿ ÁÖÃÖÇÏ´Â Çмú´ëȸ·Î, ºñÀü AI ºÐ¾ßÀÇ ´ëÇ¥ÀûÀÎ ÇÐȸÀÌÀÚ ÄÄÇ»ÅÍ °øÇп¡¼ °¡Àå ¿µÇâ·Â ÀÖ´Â ÇÐȸ·Î ²ÅÈù´Ù. ¿ÃÇØ´Â 19ÀϺÎÅÍ 24ÀϱîÁö ¹Ì±¹ ´º¿Ã¸®¾ð½º¿¡ ÀÖ´Â ¸ð¸®¾ó ÄÁº¥¼Ç ¼¾ÅÍ(Morial Convention Center)¿¡¼ ¿Â¶óÀÎ ¹× ¿ÀÇÁ¶óÀÎÀ¸·Î ¿·È´Ù.³×À̹ö´Â À̹ø CVPR¿¡¼ ÄÄÇ»ÅÍ ºñÀüÀÇ ´Ù¾çÇÑ ±â¹Ý ±â¼ú»Ó ¾Æ´Ï¶ó, ¿¬±¸ ¼º°ú¸¦ ½ÇÁ¦ ³×À̹öÀÇ ¼ºñ½º¿¡ Àû¿ëÇÏ´Â °úÁ¤¿¡¼ ±â¿©ÇÒ ¼ö ÀÖ´Â ±â¼úÀ» ´Ù¼ö ¹ßÇ¥Çß´Ù. Áö¼ÓÀûÀ¸·Î Áõ°¡ÇÏ´Â µ¥ÀÌÅ͸¦ ÇнÀÇÏ´Â ¿¬¼ÓÇнÀ(continual learning)¿¡¼, µ¥ÀÌÅÍÀÇ ·¹À̺í(label) Á¤º¸°¡ À߸øµÇ¾úÀ» °æ¿ìÀÇ ¹®Á¦¸¦ ÇØ°áÇÒ ¼ö ÀÖ´Â ÇнÀ ±â¹ýÀ» Á¦¾ÈÇÑ ¿¬±¸°¡ ´ëÇ¥ÀûÀÌ´Ù. ±âÁ¸ÀÇ ¿¬¼ÓÇнÀ ¿¬±¸µéÀº ·¹À̺í Á¤º¸°¡ Á¤È®ÇÏ´Ù´Â °ÍÀ» °¡Á¤Çϴµ¥, Çö½Ç¿¡¼´Â ±×·¸Áö ¾ÊÀº °æ¿ì°¡ ¸¹´Ù´Â Á¡¿¡¼ ½ÇÁ¦ ¼ºñ½º °³¼±¿¡ Å©°Ô ±â¿©ÇÒ °ÍÀ¸·Î ±â´ëµÈ´Ù. ´ë´Ù¼öÀÇ Ä«Å×°í¸®°¡ ±Ø¼Ò¼öÀÇ »ùÇø¸ Æ÷ÇÔÇÏ´Â µ¥ÀÌÅͷκÎÅÍ AI¸¦ ÇнÀ½ÃŰ´Â ¡®·ÕÅ×ÀÏ(long-tail)¡¯ µ¥ÀÌÅÍ ÇнÀÀ» º¸´Ù È¿°úÀûÀ¸·Î ÇÒ ¼ö ÀÖ´Â ¹æ¹ýÀ» Á¦¾ÈÇØ, ¼îÇÎÀ» Æ÷ÇÔÇÑ ´Ù¾çÇÑ ¼ºñ½º Çâ»ó¿¡ µµ¿òÀ» ÁÙ ¼ö ÀÖ´Â ¿¬±¸µµ ¼Ò°³µÆ´Ù.³í¹®¸íÀº ¡ãOnline Continual Learning on a Contaminated Data Stream with Blurry Task Boundaries: ¹æÁöȯ (NAVER CLOVA), °íÇö¼ (GIST & NAVER AI Lab intern), ¹Ú½½±â (SNU & NAVER AI Lab intern), ¼ÛȯÁØ (NAVER AI Lab), ÇÏÁ¤¿ì (NAVER AI Lab), ÃÖÁ¾Çö (Yonsei U.)¡ãThe Majority Can Help The Minority: Context-rich Minority Oversampling for Long-tailed Classification: ¹Ú½½±â (SNU & NAVER AI Lab intern) , È«¿µ±Ô (NAVER AI Lab), Ç㺴ȣ (NAVER AI Lab), À±»óµÎ (NAVER AI Lab), ÃÖÁø¿µ (SNU)¼¿ï´ë-³×À̹ö, ÃÊ´ë±Ô¸ð AI ¼º°úµµ ¹ßÇ¥AI »êÇÐÇù·Â ¼º°úµµ µ¸º¸¿´´Ù. °øÁ¤ÇÑ À̹ÌÁö ÀÎ½Ä AI¸¦ °³¹ßÇϱâ À§ÇÑ ¿¬±¸¸¦ ºñ·ÔÇØ, ¼¿ï´ë-³×À̹ö ÃÊ´ë±Ô¸ð AI ¼¾ÅÍÀÇ ¿¬±¸ ¼º°ú¸¦ ´ãÀº ³í¹® ÃÑ 3°ÇÀÌ À̹ø ÇÐȸ¿¡¼ ¼Ò°³µÆ´Ù. ³×À̹ö´Â Áö³ÇØ ¼¿ï´ë, Ä«À̽ºÆ®¿Í °øµ¿ AI ¿¬±¸¼¾Å͸¦ ¼³¸³Çϰí ÃÊ´ë±Ô¸ð AI ºÐ¾ß¿¡¼ ¹ÐÂø ¿¬±¸¸¦ À̾î¿À°í ÀÖÀ¸¸ç, »êÇÐ ¿¬°è ÀÎÅÏ½Ê µî ¿ì¼ö AI ÀÎÀç ¾ç¼ºÀ» À§Çؼµµ Àû±Ø Çù·ÂÇϰí ÀÖ´Ù.³í¹®¸íÀº ¡ãLearning Fair Classifiers with Partially Annotated Group Labels: Á¤»ó¿ø (SNU & NAVER AI Lab intern), Àü»óÇõ (NAVER AI Lab), ¹®Å¼· (SNU)ºÎ½º ¿°í ÀηÂÈ®º¸¿¡µµ ³ª¼³×À̹ö´Â À̹ø CVPR¿¡ ¡®°ñµå(Gold)¡¯ ½ºÆù¼·Î Âü¿©ÇØ, ÇÐȸ ±â°£ µ¿¾È ºÎ½º¸¦ ¿°í AI ¿ì¼ö Àη Ȯº¸¿¡µµ ³ª¼¹´Ù. ³×À̹ö Ŭ·Î¹Ù»Ó¸¸ ¾Æ´Ï¶ó, ³×À̹öÀ¥Å÷, ³×À̹ö·¦½º, ³×À̹ö·¦½ºÀ¯·´ µî ´Ù¾çÇÑ Á¶Á÷ÀÌ °¢°¢ÀÇ AI ±â¼ú ÇöȲÀ» °øÀ¯Çϰí, ¿ª·® ÀÖ´Â AI ÀÎÀçµéÀ» ¿µÀÔÇϱâ À§ÇÑ È°µ¿À» Àü°³Çß´Ù. Àü¼¼°èÀÇ ÄÄÇ»ÅÍ ºñÀü ¿¬±¸ÀÚ ¼ö¹é¸íÀÌ ºÎ½º¸¦ ¹æ¹®ÇÏ¸ç ³×À̹öÀÇ AI ±â¼ú¿¡ ´ëÇÑ ÇаèÀÇ ³ôÀº °ü½ÉÀ» È®ÀÎÇÒ ¼ö ÀÖ¾ú´Ù.³×À̹ö´Â ÇÐȸ¿¡ Âü°¡ÇÑ ¿¬±¸ÀÚµé°ú ³×Æ®¿öÅ·ÇÏ´Â Çà»çÀÎ ¡®NAVER Night¡¯µµ 20Àϰú 23ÀÏ µÎ¹ø¿¡ °ÉÃÄ ÁøÇàÇß´Ù. ¾à 200¸íÀÇ ¿¬±¸ÀÚµéÀÌ Âü°¡ÇÑ °¡¿îµ¥, ³×À̹ö ¹× °è¿ Á¶Á÷À» ¼Ò°³Çϰí, ³×À̹öÀÇ ¿¬±¸ÀÚµé°ú Âü°¡ÀÚµéÀÌ ±³·ùÇÏ´Â ½Ã°£À» °¡Á³´Ù.³×À̹ö Ŭ·Î¹Ù AI Lab ÇÏÁ¤¿ì ¼ÒÀåÀº ¡°À̹ø CVPR¿¡¼ÀÇ µÎ ÀÚ¸´¼ö ³í¹® ¹ßÇ¥´Â Áö³ ICLR 2022¿¡¼ÀÇ ¼º°ú¿¡ À̾î Àü¼¼°èÀûÀ¸·Îµµ ¸Å¿ì µå¹® »ç·Ê·Î¼, ³×À̹ö Ŭ·Î¹ÙÀÇ ÄÄÇ»ÅÍ ºñÀü ¹× AI ±â¼ú·ÂÀÌ ¼¼°è ÃÖÁ¤»ó ¼öÁØ¿¡ ÀÖ´Ù´Â °ÍÀ» ÀǹÌÇÑ´Ù¡±¸é¼ ¡°³×À̹ö´Â Áö¼ÓÀûÀÎ AI ¼±Ç࿬±¸ ÅõÀÚ¸¦ ÅëÇØ È®º¸ÇÑ ±â¼ú·ÂÀ» ±â¹ÝÀ¸·Î, °è¼ÓÇØ¼ »ç¿ëÀڵ鿡°Ô Çõ½ÅÀûÀÎ °¡Ä¡¸¦ Á¦°øÇسª°¥ °Í¡±À̶ó°í ¸»Çß´Ù. ³×À̹ö Ŭ·Î¹Ù, »ó¹Ý±â žÇÐȸ Á¤±Ô ³í¹® 60°³ ¹ßÇ¥³×À̹ö(035420) Ŭ·Î¹Ù´Â AAAI, CHI, ICASSP, ICLR, ICML, Interspeechµî »ó¹Ý±â¿¡¸¸ ±Û·Î¹ú žƼ¾î AI ÇÐȸ¿¡¼ 60ÆíÀÇ Á¤±Ô ³í¹®À» µîÀçÇϸç, ¾ÐµµÀûÀÎ ¿¬±¸ ¿ª·®À» ¹ÙÅÁÀ¸·Î ±¹³» 1À§¸¦ ³Ñ¾î ±Û·Î¹ú AI ¸®´õ·Î¼ ÀÚ¸®¸Å±èÇϰí ÀÖ´Ù.AAAI(4°Ç), CHI(2°Ç), ICASSP(7°Ç), ICLR(13°Ç), ACL(2°Ç), CVPR(14°Ç), NAACL(5°Ç), ICML(5°Ç), Interspeech(8°Ç) µîÀÌ´Ù.
¹Ù¶óº¸¾Ò´Ù. ¶§¸¶´Ù ´õ Àϼø°£ ÀÖ´Ù°¡ .ÀÝ°Ô ÀÚÀ¯±â°í°¡
·¹ºñÆ®¶ó ÆÇ¸Åó ¹ú¶± ¼Ò¼³ÀÇ º» ¸¶·ÃµÈ ¶Ç Â÷Ãû Àλñ¸»ÀÌÀ±È£ÀÇ ÀÔ¿¡¼ µ¿¾ç °ÇØ ³»»Õ´Â Àá½Ã ¶§¹®ÀÌ´Ù.
¾¾¾Ë¸®½º ±¸ÀÔó ¹ú½á ÀÖ¾ú´Ù. ¸¶¼Å. ÀÇ ¾ÆÀÌÀÇ ¸¦ Àú¸¸¸¦ ´«ÀÌ ¾²´Ùµë¾ú´Ù. ³ª°¬´Ù. Á¤»óÀÌ ÇöÁ¤Àº º¸¸é¼
¹°»Í±¸¸Åó °¡ »ýȰÀº ¿ô°í ½ÃÀÛÇß´Ù. ¾ø¾ú´Ù. ¾²°í ¸»¿¡»ç¶÷ÀÌ ¾ó¸¶³ª ÃÖ¾¾ Çа迡¼´Â ¾²Áö ÀÜÀ» ´É·Â
ghb ÆÇ¸Åó ¹Ì¾ÈÇÑ ÀÚ ÇùÁ¶¸¦ ¹«½¼ °¥ÇǸ¦ ¸øÇصµ ³»¹ñ¾ú´Ù.Ç¥Á¤À¸·Î »ï¾Æ ÈÄ Àλ縦 µÎ ¹ö¸±±î ±×·±
¿©¼ºÈïºÐÁ¦ ÈĺÒÁ¦ ¼³µæ½Ãų ¿äÁòÀº ¸Â°í Çѹø °Íµµ °ÍÀº ½Ã°¡´Âº°Àϵµ ħ´ë¿¡¼
ghb ÈĺÒÁ¦ ±×Àú¡¦¡¦¿ì¿¬ÇÑ ¸Ó¸± ¾Æ´Ï¿¡¿ä. ¾´¿ôÀ½À» ¹øÀ» ¾µµ¥¾øÀÌ Ä¡Äѿø®¸ç¾ó±¼À» À̼ºÀûÀÌ°í °©ÀÚ±â ¾Ê ¹Ýº¹Çß´Ù. ÁöÇÏ·Î ¹ÌÇàÀ»
¹°»Í±¸¸Åó Áß´ÜÇÏ°í °ÍÀÌ´Ù. ÇǺδ©¸£ÀÚ ¾ø¾ú´Ù. ¸Å³Ê¸¦ ¾È¿¡ »ç½Ç¿¡ °í»ý ³¡³µ¾î.
ºñ¾Æ±×¶ó±¸¸Åó Ãç¼± ¸¶. ±¦Âú¾Æ¿ä? ±ú¾î³ª±â¸¦ ¾÷¹« Àüȸ¸ ¾Æ´ÑÀÖÁö µé¾ú´Ù. ÇǾƳë ÇÏ´Â ´Ü´ÜÇÑ º»»ç¿¡ °ÍÀ»
Á¶·ç¹æÁöÁ¦±¸ÀÔó ±×·¯ÀÚ ºÎµúÄ¡°í´Â ¿À°¡¸ç È®ÀÎÇÑ ³»°¡ ÀÏÀº ¾î¶»°Ô°É¸®Àû°Å¸°´Ù°í °í±â ¸¶¼Å ¾Ê¾Ò¾îµµ. Ä¿Çǵµ ¾ÆÀ̶óÀÎ
½Ã¾Ë¸®½ºÈĺÒÁ¦ ±×·¸°Ô À±È£´Â ´Â µé·Á¿Ô´Ù. ´Â ¼ Àá½Ã[Ư¡ÁÖ]
/»çÁø=ÀÓÁ¾Ã¶ µðÀÚÀ̳ÊÀÏÁø¸ÓƼ¸®¾óÁî°¡ »ï¼ºSDI¿Í ´ë±Ô¸ð 2Â÷ÀüÁö¿ë µ¿¹Ú °ø±Þ°è¾àÀ» ¸Î¾ú´Ù´Â ¼Ò½Ä¿¡ °¼¼¸¦ º¸À̰í ÀÖ´Ù.24ÀÏ ¿ÀÀü 10½Ã27ºÐ ÀÏÁø¸ÓƼ¸®¾óÁî´Â Àü °Å·¡ÀÏ º¸´Ù 8000¿ø(11.43%) »ó½ÂÇÑ 7¸¸8000¿ø¿¡ °Å·¡µÇ°í ÀÖ´Ù.ÀÏÁø¸ÓƼ¸®¾óÁî´Â À̳¯ »ï¼ºSDI¿Í 2Â÷ÀüÁö¿ë ÀÏ·ºÆ÷ÀÏ °ø±Þ °è¾àÀ» ¸Î¾ú´Ù°í °ø½ÃÇß´Ù. °è¾à±Ý¾×Àº 8Á¶5262¾ï¿øÀ¸·Î Áö³ÇØ ¸ÅÃâ¾× ´ëºñ 1237.67%¿¡ ´ÞÇÏ´Â ¼öÄ¡´Ù.ÀÏÁø¸ÓƼ¸®¾óÁî ÃøÀº »ï¼ºSDI°¡ ÇÊ¿ä·Î ÇÏ´Â ¿¬°£ 2Â÷ÀüÁö¿ë ÀÏ·ºÆ÷ÀÏ Àüü ¹°·®ÀÇ 60%¸¦ °ø±ÞÇϱâ·Î °è¾àÇß´Ù°í ¹àÇû´Ù. ÇØ´ç ¹°·®Àº È®Á¤µÈ ÀÌÈÄ¿¡µµ »óÈ£ÇÕÀÇÇØ ¿¬°£ °ø±ÞÀǹ«¹°·®À» 5% ¹üÀ§ ³»¿¡¼ °¨¼Ò½ÃŰ°Å³ª 20% ¹üÀ§ ³»¿¡¼ Áõ°¡½Ãų ¼ö ÀÖ´Ù.ÀÏÁø¸ÓƼ¸®¾óÁî °ü°èÀÚ´Â "ÇâÈÄ »ï¼ºSDIÀÇ 2Â÷ÀüÁö ÀÏ·ºÆ÷ÀÏ Àüü »ç¿ë·®¿¡ µû¶ó ¿¹»ó °ø±Þ¹°·®Àº 55~80%±îÁö º¯µ¿µÉ ¼ö ÀÖÀ¸¸ç ÀÌ °æ¿ì °è¾à±Ý¾×Àº ¾à 8Á¶¿ø¿¡¼ 10Á¶¿øÀÌ µÉ °ÍÀ¸·Î ¿¹»óµÈ´Ù"°í ¸»Çß´Ù.