About: Pioneering Research and Exploration in Cutting-edge Computer Vision
About: 최첨단 컴퓨터 비전 분야에 대한 선구적인 연구 및 탐구를 수행
AI-driven geospatial insights
AI 기반 지리공간 인사이트Geospatial AI는 인공위성, 드론, 항공기에서 촬영된 영상을 AI 기술로 처리하여 자연재해 조기 탐지 및 대응, 농업, 도시 계획, 군사 정찰 등 다양한 분야에 활용하는 연구 분야입니다.
Geospatial AI에서 다루는 영상 데이터는 다음과 같은 특징을 가집니다:
- 다양한 센서 데이터 활용 - RGB 외에도 다분광(Multispectral), 열적외선(Thermal), 레이더(SAR) 등 다양한 채널을 포함
- 시계열 데이터 분석 - 시간에 따른 변화 탐지가 가능
- 기상 조건의 영향 - 구름, 대기 상태 등 환경적 요소가 영상 품질에 영향을 미침
우리 연구실에서는 이러한 특성을 고려하여 Geospatial AI 기술을 활용한 지능형 영상 처리 및 분석 연구를 수행하고 있습니다.
Revolutionizing Medical Imaging with AI
AI로 의료 영상 혁신Medical AI는 MRI, CT, 현미경(Microscope) 등 의료 장비로 촬영된 인체 내부 구조 영상을 AI 기술로 분석하여 질병 진단 및 예측에 활용하는 연구 분야입니다.
Medical AI에서 다루는 의료 영상 데이터는 다음과 같은 특징을 가집니다:
- 데이터 확보의 어려움 - 개인정보 보호 규제 및 의료 데이터 수집 제한
- 초고해상도 영상 처리 - 미세한 병변 탐지를 위한 고해상도 데이터 분석 필요
- 설명 가능한 AI 모델 요구 - 의료 AI의 예측 결과는 환자의 생명과 직결되는 중요한 결정에 활용되므로, 신뢰성과 해석 가능성을 보장해야 함
우리 연구실에서는 이러한 특성을 반영하여 정확하고 신뢰할 수 있으며, 설명 가능한 의료 영상 AI 모델 개발을 위한 연구를 수행하고 있습니다.
Trustworthy Multimodal Fusion
신뢰할수 있는 멀티모달 융합Multimodal AI는 이미지, 텍스트, 음성, 센서 데이터 등 서로 다른 유형의 데이터를 결합하여 AI가 더 깊이 있는 이해와 추론을 수행할 수 있도록 하는 연구 분야입니다. 이러한 기술은 의료 진단, 자율주행, 로봇 비전, 지리공간 분석 등 다양한 응용 분야에서 활용됩니다.
우리 연구실에서는 Multimodal AI를 활용하여 다음과 같은 연구 주제들에 관심을 가지고 있습니다:
- 데이터 라벨 의존도 감소 - Pretrained Vision-Language 모델을 활용하여 Zero-shot 및 Few-shot 학습 능력을 향상
- 데이터 불균형 문제 해결 - 서로 다른 모달리티 간 보완적 학습을 통해 데이터 부족 및 불균형 문제 완화
- 안전성 및 해석 가능성 향상 - Multimodal 정보를 활용하여 AI의 의사결정 과정에 대한 신뢰성과 설명 가능성을 증대
우리 연구실에서는 이러한 방향성을 기반으로 효율적이고 강건한 Multimodal AI 모델을 개발하는 연구를 수행하고 있습니다.
Transforming Data Imperfections into Robust, Real-World AI
데이터 불완전함을 강건한 실세계 AI로 전환오늘날 AI 모델들은 다양한 분야에서 우수한 성능을 보이고 있지만, AI의 성능은 데이터 품질과 분포에 크게 의존하며, 실제 모델을 개발할 때 다음과 같은 데이터 관련 이슈가 발생하면 모델의 학습 및 평가가 어려워지고 성능이 저하될 가능성이 큽니다.
AI 모델의 성능을 저하시키는 데이터 관련 이슈는 다음과 같습니다:
- 학습 데이터의 라벨이 부족한 경우 - 데이터 수집 비용이 높거나 전문 지식이 필요한 분야에서 라벨링이 제한적
- 학습 데이터의 라벨이 부정확한 경우 - 자동 또는 크라우드소싱 라벨링 과정에서 노이즈가 포함될 가능성
- 학습 데이터와 추론 데이터의 도메인 또는 분포가 다른 경우 - 실제 환경에서 데이터 분포 변화로 인해 성능 저하
우리 연구실에서는 이러한 데이터의 한계를 극복하고, 모델이 다양한 환경에서도 강건하게 학습하고 일반화할수 있도록 하는 연구를 수행하고 있습니다. 이를 통해 라벨 효율적인 학습(Label-efficient learning), 노이즈 대응 학습(Noisy label learning), 도메인 적응 및 일반화(Domain adaptation & generalization) 등의 기법을 연구하여 실세계에서도 신뢰할 수 있는 AI 모델을 개발하는 것이 목표입니다.