기억은행 및 프록시 기반 적응 학습과 경량화 비전 모델 연구

Memory-bank/proxy adaptation and efficient vision models

연구 내용

타겟 데이터에 맞춘 특징 적응과 임베딩 정렬을 수행하고, 지식 증류·필터 프루닝으로 효율을 확보하는 비전 모델 연구

본 연구는 비전 태스크에서 도메인 편향과 모델 효율 문제를 동시에 다루기 위해 특징 적응, 증류, 프록시 기반 표현 학습을 결합합니다. 타겟 중심 이상탐지에서는 사전학습 CNN의 특징에 대해 기억은행과 결합된 특징 적응을 수행해 정상-비정상 분리를 강화합니다. 객체검출과 세그멘테이션에서는 원스테이지 구조의 스케일별 지식 불균형을 완화하는 증류 설계를 적용하고, 클래스 내부 변이를 프록시와 변이 벡터로 분해해 경계 부근의 모호성을 줄입니다. 또한 거친-정밀 NAS 기반 구조 탐색과 대조적 지식 전달로 경량화 성능을 확보합니다.

관련 프로젝트

2건

연구 흐름

초기에는 원스테이지 객체검출에서 지식 증류가 스케일에 따라 불균형해지는 문제를 완화하는 학습 구조를 정립했습니다. 동시에 타겟 데이터 분포에 맞춰 이상 위치를 정밀 구분하기 위한 특징 적응 프레임워크를 제안했습니다. 이후 모델 압축 단계의 계산 비용을 줄이기 위해 거친-정밀 NAS와 대조적 지식 전달을 결합한 프루닝 연구로 확장했습니다. 최근에는 클래스 내부 변이를 반영하는 프록시 기반 임베딩 학습으로 세그멘테이션 표현력을 강화하는 방향으로 연구를 진행하고 있습니다.

활용 가능성

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

기억은행 기반 타겟 적응 모듈
이상 징후 위치추정 시스템
원스테이지 객체검출 경량화
스케일 균형 지식 증류
경계 정밀 향상 세그멘테이션
클래스 변이 반영 임베딩 설계
대조적 지식 전달 기반 학습
NAS 기반 효율적 구조 탐색
프록시-변이 분해 표현학습
시각 인식 센서 온디바이스 추론