전체작품 보기
정찬호
이미지 분류를 위한 기술 조사 및 성능 비교
이미지 분류 모델은 대량의 이미지들을 활용하여 여러 분야에서 기술적인 혁신을 이뤄내고 있다. 본 연구에서는, 과거부터 현재까지 이미지 분류 모델 논문들을 분석하여 사용된 알고리즘의 발전 동향을 살펴보고 정리한다. 추가로 각 모델의 실제 성능을 확인하여, 이미지 분류 모델의 발전 과정을 알아본다. ILSVRC 이미지 대회 수상실적이 있는 Image Classification 과 관련된 논문인 AlexNet, VGGNet, GoogleNet, ResNet 아키텍쳐 논문 순으로 진행되며 논문의 내용 분석을 통해 각각의 아키텍쳐가 어떠한 특징을 각각 가지고 있고 어떠한 방식으로 모델이 발전되었는지 조사 및 분석을 진행한다.
김서호
블록체인 트랜잭션 선별 알고리즘 제안
이 연구는 기존 블록체인의 난제, 특히 Orphan 트랜잭션과 관련된 문제를 해결함으로써 네트워크의 전반적인 건강성을 향상시키고 사용자 경험을 개선하는 데 중요한 의미를 가진다. 이를 통해 트랜잭션의 효율적인 처리 및 네트워크의 효율성 증진을 목표로 하고 있다.
최동훈
Graph Transformer Networks for Sleep Stage Classification
EEG데이터의 spatial 정보와 temporal 정보를 동시에 추출하기 위해서 Transformer모델에 GCN 모델을 결합한 Graph Transformer framework를 직접 고안하였습니다. 이를 통해 해당 모델은 수면 단계 분류 작업에서 성능을 개선하고자 합니다.
홍건화
Continual Learning 방법론 분석 및 개선
Continual Learning은 모델이 새로운 Data가 지속적으로 들어오는 환경에서 이를 학습하고 이전에 학습한 정보를 유지하는 방법론이다. 본 연구에서는 Continual learning의 대표적인 방법론들을 각각 학습하여 각각의 장단점을 분석하고 이를 기반으로 더 나은 방법론을 탐색한다.
서동건
A research on the ViT and CNN Models for Image Recognition
딥러닝 기술을 활용한 컴퓨터비전 분야에 관심과 흥미가 생겨 깊고 전문적인 공부와 연구를 진행하고자 유종빈 교수님과 함께하는 자기주도연구1을 진행하며 컴퓨터비전 분야에 더욱 흥미를 느끼게 되었다. 이에 Image Recognition에 대해 추가적인 연구를 진행하고자 자기주도연구2 까지 참여하게 되었다. 따라서 Image Recognition을 위한 Deep Learning Architecture 중에서 실제 연구의 최전선에서 많이 사용되고있는 대표적인 ViT와 CNN과 발전과정에 대해 심도 깊은 이해를 가지고 실제 구현하는 것이 최종 목표이다.
서동건
An Initial Study of Deep Learning Architecture for Image Recognition
딥러닝 기술을 활용한 컴퓨터비전 분야에 관심과 흥미가 생겨 깊고 전문적인 공부와 연구를 진행하고자 유종빈 교수님과 함께하는 자기주도연구에 참여하게 되었다. 기초 학습을 통해 연구를 수행할 수 있는 준비를 하는 단계를 거치고 나면, 선행 연구를 조사하고 이해하는 과정과 함께 직접 구현하는 과정을 통해 딥러닝 아키텍처의 높은 이해를 도모하고자 한다. 마지막으로 실제 현업과 연구의 최전선에서 이루어지고 있는 양상을 이해하고 구현하는 것이 목표이다.
장승현
자율 주행 자동차 데이터셋의 ETL Process와 Database 벤치마킹
자율 주행 산업의 규모가 점차 커짐에 따라, 자율 주행 데이터를 수집하고 데이터를 연구에 적절히 활용해야 하는 요구도 매우 커진 상황이다. 하지만 자율 주행 데이터는 대규모 시계열 특성을 지니는 경우가 대부분이며, 이를 활용하기 위해서는 ETL(Extract, Transform,Load)과정이 필요하다. 본 연구에서는 NGSIM US-101 데이터 셋을 기존의 ETL Process에서 범용적으로 활용되는 NoSQL 데이터베이스인 MongoDB와 openTSDB인 InfluxDB를 벤치마킹하여 자율 주행 데이터셋에 특화된 ETL처리 구조를 제안하고자 한다.
NVMeVirt-MI
NVMeVirt 다중 인스턴스 지원 및 성능 모델 개선 연구
이 연구는 NVMeVirt 소프트웨어를 개선하여 다중 인스턴스 기능을 추가하고, Zoned Namespace SSD의 모델링 오류를 수정하는데 초점을 맞추고 있다. NVMeVirt는 현재 단일 인스턴스만을 지원하고 있어 복잡한 환경을 모델링하는데 제약이 있다. 논문은 이러한 제한을 극복하기 위해 다중 인스턴스 지원을 통해 더 다양한 환경을 에뮬레이션할 수 있도록 기능을 확장하고자 한다. 또한, NVMeVirt의 ZNS(SSD) 모델링에서 발생하는 오류를 수정하여 실제 디바이스와 더 유사한 시뮬레이션 환경을 제공하고자 한다.
자료집 바로가기