대한전자공학회
The Institute of Electronics and Information Engineers
논문제출처:
기조강연 - 강연 요약
| 연사 | 강연 요약 및 연사정보 |
 전병기 상무 (LG유플러스) |
LG유플러스의 AI 및 Data 기술 적용 사례
LG유플러스는 고객의 피드백 데이터로 Product를 개선하고 운영하는 AI와 Data 중심의 Software Company로 진화하고 있으며, 다양한 AI/Data 기술을 Product에 접목해 가고 있다.
본 세션에서는 각 도메인 별 최신 AI 기술을 활용하여, LG유플러스 내 다양한 서비스에 적용한 Product 사례를 소개한다. 첫째, IPTV OTT 통합 검색이나 미디어/커머스 개인화 추천 등의 B2C 사례와, AICC (AI Contact Center)를 포함하는 B2B 사례를 소개한다. 둘째, 미래 준비를 위하여 지속 발굴하고 있는 AI 선행기술을 소개하며, 끝으로, LG그룹의 초거대 AI 모델인 EXAONE을 활용하여 LG유플러스 AI서비스를 고도화하는 시도를 공유한다. |
 고성제 교수 (고려대학교) |
인공지능 기반 의료 영상 분석을 통한 비뇨기 암 진단
전립선암 및 신장암 등의 비뇨기 암을 의료 영상 판독을 통해 정확하게 진단하는 것이 중요하나, 의사 간 편차가 존재 하는 등 판독 오차가 빈번하게 발생함.
병원 내 축적된 대량의 환자 데이터 (병리 또는 CT 등) 를 활용하면 인공지능의 학습이 충분히 가능하고, 암 진단 정확도를 향상시킬 수 있을 것으로 기대됨. 따라서 비뇨기암(전립선암 또는 신장암)의 자동 진단을 위한 인공지능 네트워크를 설계하고, 신장암의 경우 전문의와의 진단 성능을 비교하여 더 높은 정확도를 달성하는 것을 보임. |
 문영식 교수 (한양대학교) |
신호처리와 음악
신호처리 기술은 음성, 영상, 비디오 등 다양한 멀티미디어 응용 분야에 활용되고 있다. 본 강연에서는 1차원 신호인 소리에 대해서, 신호처리 기법이 음악과 어떠한 연관이 있는지 살펴본다. 특히, 소리 파형의 주파수와 음 높이와의 관계, 음계의 구성, 등에 대해서 알아보고, Fourier transform을 이용한 음악의 정량적 분석, 향후 인공지능 기법을 이용한 음악에 활용 등을 살펴본다.
|
튜토리얼 - 강연 요약
| 연사 | 강연 요약 및 연사정보 |
 정희철 교수 (경북대학교) |
Self-supervised Learning in Computer Vision
최근 computer vision 분야에서 물체 인식, 검출, 분할 등 다양한 태스크에서 딥러닝 기법을 통해 높은 인식률의 달성이 가능해졌다. 하지만, 이러한 기법들은 많은 레이블을 요구하기 때문에 수많은 학습 데이터를 제작하기 위해서는 고비용이 요구된다. 따라서, 최근에는 레이블이 없는 데이터를 기반으로 학습을 진행할 수 있는 다양한 self-supervised learning 기법들이 제안되고 있다. 본 강연에서는 이러한 self-supervised learning의 기본 개념에 대해 소개하고, 과거부터 현재까지 제안된 기법들에 대해 살펴보고자 한다.
|
 강석주 교수 (서강대학교) |
딥 뉴럴 네트워크 경량화 및 가속화 기술
최근 딥 뉴럴 네트워크의 성능은 크게 향상되었지만, 많은 에너지 소모와 하드웨어 리소스 필요로 인해 다양한 응용으로 사용하는데 어려움을 겪고 있다. 특히 모바일 환경의 시스템 적용을 위해서는 기존 성능은 유지하면서 경량화된 모델과 고속 연산을 위한 하드웨어 구조가 필수적이다. 네트워크 경량화 및 가속화 기술은 성능은 가능한 유지하면서 모델 사이즈를 줄일 수 있는 효율적인 설계 기술을 의미하며, 이를 위해서는 네트워크 구조 최적화, 양자화와 같은 기술 적용이 매우 필요하다. 본 강연에서는 효율적인 딥러닝 모델을 위한 경량화 및 고속 연산을 위한 방법론을 살펴보고 현재 연구팀이 진행 중인 관련 연구를 간략히 소개한다.
|
우수신진연구자상 수상자 - 강연 요약
| 연사 | 강연 요약 및 연사정보 |
 김승룡 교수 (고려대학교) |
On the Dense Matching in a Deep Learning Era 컴퓨터 비전 분야에서 가장 기초적이고 핵심적인 분야 중에 하나인 영상 정합은 최근 딥러닝(Deep Learning)의 발달에 힘입어 그 성능이 극대화되고 있고 다양한 적용 분야에서 성공적으로 활용되고 있다. 특별히 조밀한 영상 정합(Dense Matching) 기술은 그 활용 가능성이 무궁무진 하지만, 내재적인 도전성을 가지고 있어 이를 해결하기 위한 많은 연구들이 진행되고 있다. 본 강연에서는 조밀한 영상 정합이 가지고 있는 도전성에 대해서 논의하고 이를 해결하기 위한 최신 조밀한 영상 정합 기술들을 소개한다. 또한 이러한 기법이 다양한 적용 분야에 어떻게 활용될 수 있는지 논의해 보고자 한다.
|
신진연구자 세션 - 강연 요약
| 연사 | 강연 요약 및 연사정보 |
 최상호 교수 (광운대학교) |
Signal Processing and Neural Networks Applied to Sleep Studies
수면은 건강을 유지하고 회복하는데 필수적인 역할을 하며, 이러한 수면을 모니터링하고 수면의 질을 향상시키기 위한 효과적인 접근법은 건강 및 삶의 질을 향상시킬 수 있다. 본 강연에서는 수면에 대한 기본 개념 및 생체신호 기반의 수면 모니터링 및 수면 질환 검출과 관련된 연구들을 소개한다. 또한 인공지능을 기반으로 한 수면 모니터링 및 질환 검출 연구를 살펴보고자 한다.
|
 황성재 교수 (연세대학교) |
Towards robust multi-site neuroimaging analyses and applications Modern neuroimaging studies often combine data from multiple scanners and acquisition protocols. Such collection of data may contain substantial technical variability which lead to erroneous neuroimaging analyses and underwhelming application outcomes. I will discuss our recent works which overcome these challenges with computer vision techniques.
|
 임홍기 교수 (인하대학교) |
Deep-learning based image reconstruction and analysis methods for low
signal-to-noise ratio emission tomography Image reconstruction in low-count PET is particularly challenging because gammas from natural radioactivity in Lu-based crystals cause high random fractions that lower the measurement signal-to-noise-ratio (SNR). In model-based image reconstruction (MBIR), using more iterations of an unregularized method may increase the noise, so incorporating regularization into the image reconstruction is desirable to control the noise. New regularization methods based on learned convolutional operators are emerging in MBIR. We propose the architecture of a iterative neural network, BCD-Net for PET MBIR, and demonstrate the efficacy of the trained BCD-Net using XCAT phantom data that simulates the low true coincidence count-rates with high random fractions. Then we further extended the method to build a framework performing joint reconstruction and segmentation tasks. Most existing fully-automatic or semi-automatic medical imaging segmentation methods start from reconstructed image, but a joint segmentation and reconstruction framework is well-suited because both tasks can be mutually dependent, therefore better estimation in one task can benefit the other. We propose to perform joint PET image reconstruction and fully automatic segmentation (using PET and CT information together) assuming that the CT image is given. Quantitative evaluation result with simulated low-count PET shows that our proposed joint framework improves the performance compared to single-modality reconstruction (PET only) and segmentation (CT only).
|
 진경환 교수 (DGIST) |
Fourier 함축표현 인공지능망의 영상처리 기법
최근 인공지능망 기반의 함축표현함수(implicit neural representation, INR) 기법의 개발로 다앙한 분야에서의 활용 사례가 보고되고 있다. 본 연구는 함축표현함수의 스펙트럼 편향의 문제점을 극복하는 Fourier 표현 모듈을 제안함으로써, 초고해상도 영상화 및 영상 워핑에서의 성능향상을 데모하고 그 원리에 대해 알아본다.
|
 최준석 교수 (서강대학교) |
On the evaluation of the weakly-supervised learning methods
본 강연에서는 최근 기계학습 기술들의 성능 평가 방법들에 대해 간단히 살펴본 후, 그 중에서도 weakly-supervised learning 방법들의 성능 평가에 대해 좀 더 자세히 다룬다. 주어진 태스크에 비해 부족한 정보를 활용하여 학습하는 weakly-supervised learning의 특성으로 인해 발생하는 다양한 평가 방법 설정의 어려움과 이를 해결하기 위한 기존 기술들의 접근법, 나아가 이 문제들을 종합적으로 해결하는 방법에 대해 고찰하고자 한다. 또, 이를 기반으로 weakly-supervised learning의 향후 연구 방향에 대해 소개한다.
|
 박상욱 교수 (강릉원주대학교) |
차세대 능동소나시스템 개발을 위한 생체 모방 네트워크
능동소나시스템은 공간에 방사된 음파의 반향음을 분석하여 시스템을 둘러싼 공간을 인지하는 시스템이다. 현재 능동소나시스템은 탐지 대상까지 거리와 방향을 추정함으로써, 물체의 위치를 인지할 수 있지만, 그 종류를 식별하지 못하는 한계가 있다. 이러한 한계는 능동소나시스템의 응용기술에서 여러가지 아쉬움과 문제점을 야기한다. 이러한 한계를 보완하기 위해, 탐지 대상의 위치뿐만 아니라 그 종류를 식별할 수 있는 차세대 능동소나시스템에 대한 관심이 커지고 있다.
한편, 박쥐는 생체소나를 사용하여 주변 공간을 인지함으로써, 먹이를 사냥하고 비행 중 다른 개체와 충돌을 피할 수 있다. 이는 박쥐의 생존에 아주 중요한 능력으로, 박쥐는 반향음에 포함된 공간정보를 정확하게 인지한다. 이러한 점에서, 박쥐의 청각인지 능력을 모방한 생체모방 모델은 차세대 능동소나시스템 개발을 위한 한가지 방법으로 주목받고 있다. 본 강연에서는 박쥐의 청각인지 특성을 모방한 생체 모방 모델에 관하여 1) 박쥐의 청각인지 특성 분석 2) 인공신경망 반응특성 분석 3) 생체 모방 모델 구축 4) 생체 모방 모델 활용방안을 차례로 소개한다. |
● 학회장소
[이화여자대학교 이삼봉홀/ECC 극장] (ECC홀 내 지하 4층)
- 서울 서대문구 이화여대길52 (이화여자대학교 ECC)
1. 자차 이용 이화여자대학교 ECC 주차장 검색
-정문 진입 후 ECC 주차장 이용
-후문 진입하여 오른쪽 ECC 주차장 입구로 진입
2. 지하철 이용- 2호선 이대역
- [이삼봉홀]지하철 2호선2,3번 출구로 나와,이대 정문쪽으로 직진 후
ECC 건물 3번 게이트에서 좌측으로 직진
- [ECC 극장]지하철 2호선 3번 출구로 나와,이대 정문쪽으로 직진후
ECC 건물 3번 게이트에서 우측으로 직진
3. 버스 이용
-이대역(정류장 번호:13-025)
-신촌기차역(정류장번호:13-210)
-이대후문(정류장 번호:13-016)