About

하민수 (Min Su Ha)

March, 28, 1995

대한민국, 서울특별시

Hanyang University / M.S.

Hanyang University ERICA / B.S.

자세기반 이미지 생성을 위한 SAPDE 정규화 구조 활용

세부 분류 개체명 인식을 위한 액티브 러닝 쿼리전략 분석

약한 지도 학습 기반 태양광 발전시설 고장 탐지

액티브러닝기반 NER 데이터셋 레이블링 프로그램

Pose Guided Person Image Generation (PGPIG) task는 source image의 texture, identity 등 특징을 유지하며 임의의 자세에 맞는 이미지 생성하는 task.

다양한 GAN, Diffusion 등 다양한 SOTA 연구에 아이디어 접목.

기존 PGPIG model (DPTN)에 SPADE norm 활용을 통해 source image 특징을 intermediate feature map에 효과적으로 반영
Coarse-texture 이미지에서 Fine-texture 이미지로 step-by-step 방식으로 이미지 생성
- 기존 GAN 방식 PGPIG 모델이 하지 못하는 서로다른 두 이미지의 Style을 Mixing이 가능

왼쪽 부터 Input / Output / Difference / Segmentation

Objection Detection을 활용한 당구대, 당구공 인식.
자체 선형 변환 알고리즘 개발
- openCV warpAffine 변환 라이브러리보다 더 높은 정확도
- 좌: openCV warpAffine() 라이브러리, 우: 자체 개발 알고리즘
- 좌: openCV warpAffine() 라이브러리, 우: 자체 개발 선형 변환 알고리즘

Python, Pytorch, Active Learning, BALD, NLP, Named Entity Recognition

Active Learning은 모델이 라벨링이 없는(unlabeled) 데이터 중 가장 정보량이 많은 데이터를 선택해 사람에게 라벨링을 요청.
정보량이 높은 데이터일수록 모델은 해당 데이터의 정답(라벨)을 판단함에 있어 어려움이 있을 것.
모델이 분류한 데이터 중 score가 낮았던 데이터와 Active Learning에서 정보량이 높다고 판단했던 데이터가 서로 반비례 관계가 있을 것이라는 가설을 세웠고 실험을 통해 확인.
막대 그래프는 active learning을 통해 얻은 불확실성 score, 파란 그래프는 entity 별 f1-score.
entity에 대한 불확실성과 f1-score는 서로 반비례 관계를가짐, active learning은 모델이 어려워하는 entity 위주로 데이터 선별 -> 효과적인 학습 가능.

왼쪽 부터 Input / Output / Difference / Segmentation

Content