본 연구실은 딥러닝 기술을 기반으로 한 컴퓨터 비전 및 이미지 인식 분야에서 선도적인 연구를 수행하고 있습니다. 최근 인공지능 분야에서 딥러닝은 이미지 분류, 객체 탐지, 이미지 생성 등 다양한 컴퓨터 비전 문제를 해결하는 데 있어 핵심적인 역할을 하고 있습니다. 연구실에서는 Vision Transformer, Efficient CNN, Dynamic Convolution 등 최신 딥러닝 아키텍처의 설계와 최적화에 집중하여, 자원 제약 환경에서도 높은 성능을 발휘할 수 있는 모델 개발에 주력하고 있습니다. 특히, 이미지 내 다양한 객체와 장면을 정확하게 인식하고 분류하는 기술을 개발하고 있으며, 이를 위해 대규모 데이터셋을 활용한 학습 방법론과 데이터 일반화 기법을 연구합니다. 또한, 멀티라벨 분류, 노이즈 레이블에 강인한 학습, 도메인 일반화 등 실제 환경에서 발생할 수 있는 다양한 문제에 대응할 수 있는 알고리즘을 개발하고 있습니다. 이러한 연구는 자율주행, 감시 시스템, 의료 영상 분석 등 다양한 응용 분야에 적용되고 있습니다. 연구실의 연구 성과는 CVPR, AAAI, ECCV 등 세계적인 학회와 저널에 다수 게재되고 있으며, 실제 산업 현장과의 협력을 통해 기술의 실용화에도 힘쓰고 있습니다. 이를 통해 인공지능 기반의 컴퓨터 비전 기술이 사회 전반에 긍정적인 영향을 미칠 수 있도록 연구를 지속하고 있습니다.

본 연구실은 딥러닝 네트워크의 미세조정(fine-tuning)과 일반화(generalization) 능력 향상을 위한 학습 방법론 개발에 집중하고 있습니다. 기존의 미세조정 방법은 모든 계층에 동일한 학습률을 적용하는 한계가 있었으나, 연구실에서는 계층별 가중치 변화 분석을 통해 각 계층에 최적화된 학습률을 자동으로 조정하고, 불필요한 계층을 가지치기(pruning)하는 AutoLR 알고리즘을 제안하였습니다. 이를 통해 네트워크의 복잡도를 줄이면서도 성능을 극대화할 수 있음을 다양한 벤치마크 데이터셋에서 검증하였습니다. 또한, 소수의 학습 데이터만으로도 높은 성능을 발휘해야 하는 Person Re-identification, 이미지 검색 등에서 네트워크의 일반화 성능을 높이기 위한 다양한 전략을 연구하고 있습니다. 예를 들어, 네트워크의 특정 계층을 초기화 상태로 되돌리는 롤백(rollback) 전략, 멀티헤드 앙상블 구조, 도메인 일반화 학습 등 다양한 방법론을 제시하여, 실제 환경에서의 적용 가능성을 높이고 있습니다. 이러한 연구는 새로운 데이터나 도메인에 대한 적응력과 견고함을 갖춘 인공지능 모델 개발에 중요한 기여를 하고 있습니다. 실제로 과학기술정보통신부 등 주요 국가 연구과제 및 산업체와의 협력을 통해, 연구 결과가 다양한 분야에 실질적으로 적용되고 있습니다.

최근 딥페이크 기술의 발전으로 인해 이미지 및 영상의 위변조가 사회적 문제로 대두되고 있습니다. 본 연구실은 딥페이크 탐지와 프라이버시 보호를 위한 생성 모델 연구에 집중하고 있습니다. FrePGAN, FingerprintNet, Self-supervised GAN Detector 등 다양한 딥페이크 탐지 알고리즘을 개발하여, 알려지지 않은 GAN 모델이나 새로운 데이터셋에서도 높은 탐지 성능을 보장할 수 있도록 하고 있습니다. 특히, 주파수 영역의 특이점을 활용한 딥페이크 탐지, 인공 지문(fingerprint) 생성 및 활용, 자기지도학습(self-supervised learning) 기반의 일반화된 탐지 프레임워크 등 다양한 접근법을 통해, 기존 탐지 모델의 한계를 극복하고 있습니다. 또한, 얼굴 비식별화(De-identification) 알고리즘 개발을 통해 개인정보 보호와 데이터 유틸리티의 균형을 맞추는 연구도 활발히 진행 중입니다. 이러한 연구는 인공지능 기술의 윤리적 활용과 사회적 신뢰성 확보에 중요한 역할을 하며, 실제 산업체(삼성SDS 등)와의 공동 연구를 통해 실용화 및 상용화에도 기여하고 있습니다. 앞으로도 본 연구실은 안전하고 신뢰할 수 있는 인공지능 기술 개발을 위해 지속적으로 연구를 이어갈 예정입니다.