상세 설명

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.

키워드

관련 이미지

관련 자료