RnDCircle Logo
MILab
서울시립대학교 인공지능학과 노영민 교수
Deep Learning
Computer Vision
Pytorch
기본 정보
연구 분야
프로젝트
논문
구성원

MILab

서울시립대학교 인공지능학과 노영민 교수

MILab(머신 인텔리전스 연구실)은 서울시립대학교 인공지능학과 소속으로, 딥러닝과 컴퓨터 비전 분야에서 세계적인 수준의 연구를 수행하고 있습니다. 본 연구실은 이미지 인식, 객체 탐지, 이미지 생성 등 다양한 컴퓨터 비전 문제를 해결하기 위한 최신 딥러닝 아키텍처 설계와 효율적인 학습 방법론 개발에 주력하고 있습니다. 특히, Vision Transformer, Dynamic Convolution, Efficient CNN 등 자원 제약 환경에서도 높은 성능을 발휘할 수 있는 모델을 연구하며, 멀티라벨 분류, 노이즈 레이블에 강인한 학습, 도메인 일반화 등 실제 환경에서 발생하는 다양한 문제에 대응할 수 있는 기술을 개발하고 있습니다. 이러한 연구는 자율주행, 감시 시스템, 의료 영상 분석 등 다양한 산업 및 사회적 응용 분야에 적용되고 있습니다. 연구실은 딥러닝 네트워크의 미세조정 및 일반화 능력 향상을 위한 학습 방법론에도 집중하고 있습니다. 계층별 학습률 자동 조정, 네트워크 가지치기, 롤백 전략, 멀티헤드 앙상블 등 다양한 혁신적 알고리즘을 제안하여, 새로운 데이터나 도메인에 대한 적응력과 견고함을 갖춘 인공지능 모델 개발에 기여하고 있습니다. 이러한 연구는 과학기술정보통신부 등 주요 국가 연구과제와의 협력을 통해 실질적인 사회적 가치를 창출하고 있습니다. 또한, 딥페이크 탐지 및 프라이버시 보호 생성 모델 연구를 통해 인공지능 기술의 윤리적 활용과 사회적 신뢰성 확보에도 앞장서고 있습니다. 주파수 영역 특이점, 인공 지문 생성, 자기지도학습 기반 탐지 등 다양한 접근법을 통해, 알려지지 않은 위변조 이미지나 영상에 대해서도 높은 탐지 성능을 달성하고 있습니다. 얼굴 비식별화 알고리즘 개발을 통해 개인정보 보호와 데이터 활용의 균형을 추구하고 있습니다. 연구실의 연구 성과는 CVPR, AAAI, ECCV 등 세계적인 학회와 저널에 다수 게재되고 있으며, 삼성SDS 등 산업체와의 공동 연구를 통해 기술의 실용화와 상용화에도 힘쓰고 있습니다. 앞으로도 MILab은 인공지능 기술의 한계를 극복하고, 사회에 긍정적인 영향을 미칠 수 있는 혁신적 연구를 지속해 나갈 것입니다.

Deep LearningComputer VisionPytorchTensorflowPerson Re-identification
대표 연구 분야
연구 영역 전체보기
단일 헤드 비전 트랜스포머와 동적 잔차 합성곱 기반 경량 비전 인코딩 연구 thumbnail
단일 헤드 비전 트랜스포머와 동적 잔차 합성곱 기반 경량 비전 인코딩 연구
Lightweight Vision Encoding with Single-Head Vision Transformers and Dynamic Residual Convolutions
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.

5개년 연도별 논문 게재 수

22총합

5개년 연도별 피인용 수

311총합
주요 논문
3
논문 전체보기
1
article
|
인용수 0
·
2026
GroupLoRA: Enhancing Rank Effectiveness Through Group-Wise Decomposition for Low-Rank Adaptation
Jaesung Jun, Youngmin Ro
IEEE Access
대규모 언어 모델(LLMs)과 대규모 비전 모델(LVMs)의 빠른 발전은 획기적인 성능을 달성했지만, 종종 1000억(10^11) 개 이상의 매개변수를 초과하는 방대한 규모로 인해 상당한 배포상의 어려움도 함께 야기하였다. 매개변수 효율적 미세조정(Parameter-Efficient Fine-tuning, PEFT) 방법, 특히 저랭크 적응(Low-Rank Adaptation, LoRA)은 가중치 업데이트를 저랭크 행렬들의 곱으로 근사함으로써 이 문제를 해결하여, 경쟁력 있는 성능을 유지하면서 학습 가능한 매개변수의 수를 극적으로 감소시킨다. 그러나 LoRA의 효과성은 근본적으로 업데이트 행렬의 제한된 유효 랭크에 의해 제약되며, 복잡한 적응 과제를 위해 요구되는 풍부하고 고차원적인 변화를 포착하는 데 한계를 가진다. 본 연구는 이 한계를 극복하기 위해 분할 정복(divide-and-conquer) 전략을 도입한 GroupLoRA를 제안한다. GroupLoRA는 가중치 행렬을 g개 그룹으로 분할하고, 각 그룹에 대해 독립적인 LoRA 모듈을 적용함으로써 이를 달성한다. GroupLoRA는 두 가지 핵심 혁신을 도입한다: (1) 학습 가능한 상호작용 행렬을 통해 그룹 간 정보 교환을 가능하게 하는 Inter-Group Bridge 모듈, 그리고 (2) 최종 출력에서 각 그룹의 기여도를 동적으로 조정하는 Learnable Scaling Factors이다. 이러한 설계는 그룹 특화(group specialization)를 가능하게 하면서도 그룹 간 조율(cross-group coordination)을 유지하여, 제한된 매개변수 예산 내에서 모델의 표현력을 극대화한다. LLM과 VLM에 대한 광범위한 실험 결과, GroupLoRA는 기존 LoRA에 비해 더 적은 매개변수로 일관되게 더 높은 성능을 달성함을 보여준다. 본 접근법은 매개변수 효율적 미세조정에 그룹 단위 처리(group-wise processing) 원리를 성공적으로 적용함으로써, 다양한 과제에 걸친 효율적인 대형 모델 적응을 위한 실용적인 해결책을 제공한다.
https://doi.org/10.1109/access.2026.3671790
Adaptation (eye)
Rank (graph theory)
Key (lock)
Limiting
Software deployment
Decomposition
Bridge (graph theory)
2
article
|
인용수 5
·
2024
Instance-Dependent Multilabel Noise Generation for Multilabel Remote Sensing Image Classification
Youngwook Kim, Sehwan Kim, Youngmin Ro, Jungwoo Lee
IF 5.3 (2024)
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
다중표지 원격탐사 이미지 분류는 한 장의 이미지 내에서 여러 객체와 토지 피복을 분류하는 기본 과제이다. 그러나 이러한 과제를 위해 딥러닝 모델을 학습시키는 데에는 라벨링 비용이 상당히 많이 소요된다. 라벨링 비용을 줄이기 위한 여러 노력들이 이루어졌지만, 그 결과 라벨 품질이 저하되고 잘못된(즉, 노이즈가 포함된) 라벨이 포함되는 경우가 흔하다. 이러한 문제를 해결하기 위해, 다중표지 노이즈에 강인하도록 딥러닝 모델을 학습시키는 알고리즘들이 문헌에서 제안되어 왔다. 그럼에도 불구하고, 이러한 알고리즘들의 효능은 각 원격탐사 이미지의 개별 특성과 특징과 무관하게 노이즈가 생성되는 인스턴스 비독립적(instance-independent) 다중표지 노이즈 하에서만 평가되어 왔다. 본 논문에서는 다중표지 원격탐사 이미지 데이터셋에 대해 최초로 인스턴스 의존적(instance-dependent) 다중표지 노이즈를 생성하는 방법을 제안한다. 우리는 제로샷 예측 기능을 갖춘 비전-언어 모델을 활용하여 각 이미지에 대한 범주별 예측 점수를 계산하고, 이를 바탕으로 인스턴스에 의존하는 방식으로 다중표지 노이즈를 생성한다. 제안하는 인스턴스 의존적 다중표지 노이즈는 전통적인 인스턴스 비독립적 다중표지 노이즈에 비해 개별 이미지에 대해 보다 용이하게 생성됨을 보여준다. 또한 더 어려운 노이즈 시나리오가 생성되어, 그에 따라 보다 복잡한 결정 경계와 딥러닝 모델 학습 시 더 강한 과적합이 유발됨을 확인한다. 마지막으로, 생성된 인스턴스 의존적 다중표지 노이즈 하에서 기존의 노이즈 강인 학습 알고리즘들을 재평가한 결과, 여러 알고리즘이 인스턴스 의존적 다중표지 노이즈에 대해 제한적인 강인성만을 보이는 것으로 관찰된다.
https://doi.org/10.1109/jstars.2024.3454157
Computer science
Artificial intelligence
Pattern recognition (psychology)
Noise (video)
Contextual image classification
Image (mathematics)
3
article
|
·
인용수 4
·
2024
Adversarial deep energy method for solving saddle point problems involving dielectric elastomers
Seung-Woo Lee, Chien Truong-Quoc, Youngmin Ro, Do‐Nyun Kim
IF 7.3 (2024)
Computer Methods in Applied Mechanics and Engineering
https://doi.org/10.1016/j.cma.2024.116825
Saddle point
Finite element method
Multiphysics
Computer science
Artificial neural network
Benchmark (surveying)
Mathematical optimization
Free energy principle
Coupling (piping)
Applied mathematics
최신 정부 과제
2
과제 전체보기
1
2022년 8월-2025년 2월
|25,050,000
새로운 데이터에 대한 일반화 능력 향상을 위한 인공지능의 학습 방법 연구
본 연구 과제의 최종 목표는 새로운 데이터에 대해 적응할 수 있는 지속가능한 인공지능 모델의 학습방법을 개발하는 것과 해당 연구개발에 필요한 인재를 양성하는 것을 목표로 함
인공지능
빅데이터
기계학습
학습방법
지속가능
2
주관|
2022년 8월-2025년 2월
|31,312,000
새로운 데이터에 대한 일반화 능력 향상을 위한 인공지능의 학습 방법 연구
본 연구팀은 사전실험을 통해 인공지능 CNN모델의 Proxy를 사용한 학습과정에서 특징 공간에 나타난 몇 가지 흥미로운 사실을 관찰하였음 - 학습이 완료된 모델을 활용하여 새로운 데이터에 대한 특징 벡터들을 도시할때 특징공간의 특정 부분에만 치우쳐 임베딩되는 경향을 관찰하였음 -이를 기존의 방식대로 Proxy random initialization 을 사용하면 기학습된 특정한 특징공간에서 많은 학습이 요구되며 이는 기학습된 정보를 유실하는 결과를 초래할 수 있음 그러므로 본 연구팀의 관찰을 기반으로 새로운 데이터에 대해서도 적응성이 뛰어난 학습방법을 제안하는 바임 -제안하는 방법은 새로운 데이터에 클래스별로 중앙값을 계산하여 Proxy를 그 중앙 지점에 적용하는 방법이며 이는 Proxy를 기준으로 모집되도록 하는 것이 가능하며 이 경우, 또 다른 새로운 데이터에서 군집/분류 성능이 향상되는 것을 확인하였음 -Proxy를 특징벡터 클래스별 중앙에 위치하도록 초기화(initialization)하는 방법은 본 연구과제에서 처음 제안하는 방법이며 이에 대하여 다양한 데이터세트 내의 유효성 검증이 필요함 -또한 기학습된 특징공간을 기반으로 하되 효과적으로 특징공간을 넓게 사용하는 것을 단계적으로 개발할 계획임
인공지능
빅데이터
기계학습
학습방법
지속가능
연구실 하이라이트
연구실의 정보를 AI가 요약해서 키워드 중심으로 정리해두었어요
학술성과
세계 최고 수준의 AI 비전 연구 역량 입증
AI 요약 확인하기
기업협력
삼성SDS가 선택한 AI 기술: 프라이버시 보호 및 딥페이크 탐지
AI 요약 확인하기
기술독창성
자원 제약 환경을 위한 초경량/고효율 AI 모델
AI 요약 확인하기
기술파급력
알려지지 않은 위협까지 탐지하는 차세대 딥페이크 탐지 기술
AI 요약 확인하기
핵심역량
AI 모델 성능 극대화: 혁신적인 미세조정 및 일반화 기술
AI 요약 확인하기
미래기술
예측 불가능한 실제 환경을 위한 도메인 일반화 AI
AI 요약 확인하기
맞춤형 인사이트 리포트
연구실의 전체 데이터를 활용한 맞춤형 인사이트 리포트
연구 트렌드부터 공동 연구 방향성 기획까지
연구실과 같이 할 수 있는게 무엇인지,
지금 바로 확인해보세요
무료 리포트 확인하기

주식회사 디써클

대표 장재우,이윤구서울특별시 강남구 역삼로 169, 명우빌딩 2층 (TIPS타운 S2)대표 전화 0507-1312-6417이메일 info@rndcircle.io사업자등록번호 458-87-03380호스팅제공자 구글 클라우드 플랫폼(GCP)

© 2026 RnDcircle. All Rights Reserved.