본 연구실은 컴퓨터 비전 분야에서 객체 인식과 시각적 추적 기술 개발에 중점을 두고 있습니다. 객체 인식은 이미지나 영상에서 다양한 사물, 인물, 배경 등을 자동으로 식별하고 분류하는 기술로, 최근 딥러닝 기반의 신경망 모델을 활용하여 높은 정확도를 달성하고 있습니다. 시각적 추적은 영상 내에서 특정 객체의 움직임을 지속적으로 추적하는 기술로, 실시간 처리와 복잡한 환경에서의 견고성이 중요한 연구 주제입니다. 연구실에서는 다중 객체 추적, 실시간 추적, 세분화 기반 추적 등 다양한 응용 분야를 아우르며, 최신 논문에서는 Quadruplet Convolutional Neural Network, MDNet 등 혁신적인 네트워크 구조를 제안하였습니다. 또한, 약한 지도학습이나 비지도학습 기반의 객체 검출 및 추적 기법도 활발히 연구되고 있습니다. 이러한 기술은 자율주행, 감시 시스템, 로봇 비전 등 다양한 산업 분야에 적용될 수 있습니다. 향후 연구실은 더욱 복잡한 환경에서의 객체 인식 및 추적의 정확도와 효율성을 높이기 위해, 멀티모달 데이터 융합, 대규모 데이터셋 활용, 그리고 인간의 개입이 최소화된 자가 지도 학습 기법을 지속적으로 개발할 계획입니다. 이를 통해 실제 환경에서 신뢰성 높은 인공지능 시각 시스템 구현에 기여하고자 합니다.

시맨틱, 인스턴스, 파노픽 세분화는 이미지 내의 각 픽셀을 의미 있는 범주로 분류하거나, 개별 객체 단위로 분할하는 고난이도 컴퓨터 비전 과제입니다. 본 연구실은 약한 지도학습(weakly supervised learning)과 비지도학습(unsupervised learning) 기반의 세분화 기술 개발에 집중하고 있습니다. 이는 대규모 라벨링 데이터가 부족한 현실적인 문제를 해결하기 위한 접근으로, 최소한의 주석 정보 또는 전혀 주석이 없는 데이터로부터 효과적으로 학습할 수 있는 모델을 연구합니다. 최근 연구에서는 Deep Community Learning, Pseudo-supervision Generation, Self-cycle Consistency 등 다양한 혁신적 방법론을 도입하여, 지도 정보가 부족한 환경에서도 높은 성능의 세분화 결과를 도출하고 있습니다. 예를 들어, Pseudo-RIS와 같은 모델은 참조 이미지 세분화에 있어 차별화된 의사감독 신호를 생성하여, 실제 라벨 없이도 정밀한 분할이 가능하도록 합니다. 또한, 대조 학습(contrastive learning) 기법을 활용하여 시공간적 일관성을 유지하는 세분화 모델도 개발하고 있습니다. 이러한 연구는 의료 영상 분석, 자율주행, 로봇 비전 등 다양한 분야에서 데이터 라벨링 비용을 절감하고, 실제 환경에서의 적용 가능성을 크게 높이는 데 기여합니다. 앞으로도 연구실은 더욱 효율적이고 범용적인 약한 지도 및 비지도 세분화 기술을 개발하여, 인공지능 기반 시각 인식의 한계를 극복하고자 합니다.

본 연구실은 자가 지도(self-supervised) 및 최소 감독(minimal supervision) 학습을 통한 시각 인공지능 기술 개발에 주력하고 있습니다. 자가 지도 학습은 데이터 자체의 구조적 특성을 활용하여 별도의 라벨 없이도 유용한 표현을 학습하는 방법으로, 최근 인공지능 분야에서 큰 주목을 받고 있습니다. 연구실에서는 문제 가설과 자가지도 기반의 자기주도 시각지능 기술 개발, 대조 학습 기반의 시공간 대응점 학습 등 다양한 프로젝트를 수행하고 있습니다. 특히, 시공간적 일관성을 유지하는 대조 학습, 멀티 홉 경로를 활용한 자기 순환 일관성 등 혁신적인 학습 방법론을 도입하여, 복잡한 영상 데이터에서도 효과적으로 특징을 추출하고 인식 성능을 높이고 있습니다. 이러한 기술은 라벨링이 어려운 대규모 데이터셋, 실시간 환경, 다양한 도메인에 적용될 수 있어, 실제 산업 현장에서의 활용도가 매우 높습니다. 향후 연구실은 자가 지도 및 최소 감독 학습의 범위를 더욱 확장하여, 다양한 시각적 과제(예: 객체 검출, 세분화, 추적 등)에서의 범용성과 효율성을 극대화할 계획입니다. 이를 통해 인공지능의 데이터 의존성을 줄이고, 보다 지능적이고 자율적인 시각 인식 시스템을 구현하는 데 앞장설 것입니다.