실시간 영상 감시를 위한 연속학습·평생학습 아키텍처 연구

Online Continual and Lifelong Learning for Real-time Video Surveillance

연구 내용

환경 변화와 신규 데이터가 유입될 때 객체탐지·침입탐지·이상행동 인식 모델을 지속적으로 적응시키는 연속학습 및 평생학습 아키텍처를 개발하는 연구

동덕여자대학교 김태완 연구실은 실시간 영상 감시에서 객체탐지 성능을 환경 변화와 신규 데이터에 맞춰 유지하는 연속학습·평생학습 아키텍처를 연구합니다. 다중 스케일 ResBlock 기반 전면 모델과 카메라별 도메인 적응을 결합해 장면 동역학을 반영하고, 양성·음성 학습과 반복 업데이트로 오탐·미탐 사례의 학습 효과를 누적합니다. 또한 엣지 장치의 검출 모델을 서버의 연속 적응과 연결하여 저복잡도 운영이 가능하도록 설계합니다. 의료 환경에서는 이상행동 인식 데이터셋을 구축하며, 안전 관련 이벤트를 안정적으로 탐지하는 방향으로 확장합니다.

관련 프로젝트

0건

연구 흐름

초기에는 오탐과 미탐에서 생성되는 새 데이터를 활용해 전면 검출과 후면 도메인 적응을 결합한 하이브리드 구조를 제안하고, 실용 구현 가능성을 Chameleon 형태의 검증으로 확인했습니다. 이후 모델 업데이트 과정에서 부호화된 학습 신호를 도입해 감시 시스템 전반의 피드백을 강화하고, 시간이 지날수록 성능이 저하되는 catastrophic forgetting을 완화하는 반복형 평생학습 아키텍처로 발전시켰습니다. 최근에는 환자 모니터링용 이상행동 인식과 엣지 기반 번호 인식과 같은 현장형 애플리케이션에 적용 범위를 넓히고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

카메라별 도메인 적응 프레임워크
침입탐지 고신뢰 영상 분석 시스템
재학습 비용 절감형 온라인 학습 파이프라인
엣지-서버 동기화 기반 모델 업데이트
오탐 미탐 사례 기반 데이터 재수집 프로토콜
병동 이상행동 조기 경보 시스템
다중 카메라 상황 인지용 컨텍스트 인코딩
실시간 품질 저하 상황 대응형 적응 모델
안전 이벤트 중심의 연속 데이터 거버넌스
환경 변화에서의 성능 유지형 자동검증