플러스프로젝트 배경
실제 산업 및 비즈니스 환경에서 수집되는 비전 데이터셋은 특정 다수 클래스에 심하게 쏠려 있고 드문 케이스가 극단적으로 적은 '긴 꼬리 분포(Long-tailed Distribution)' 문제를 가집니다. - 양성 학습 신호 부족: 기존 트랜스포머 기반 비전 모델은 1:1 헝가리안 매칭을 사용하여 정답 1건에 단 1개의 예측만 양성으로 학습하고, 정답에 가까운 고품질 예측을 음성(False)으로 처리해
프로젝트 성과
희소 유형(Long-tail) 관계 인식 성능 15% 개선
공개 벤치마크(Visual Genome) 기준 클래스별 재현율 평균(mR 100)을 9.0에서 10.4로 1.4%p(약 15% 상대 향상) 향상 검증.
추론 연산 부담 및 모델 경량성 100% 보존
모델 아키텍처나 파라미터를 변경하지 않고 오직 손실 계산 단계만 수정하여 기존 모델(EGTR)의 빠른 추론 속도 및 파이프라인 유지.
객체 탐지 정확도(AP 50) 무손실 유지
희소 유형 성능을 올리는 과정에서 전체 객체 탐지 정확도(AP 50) 훼손 없이 균형 잡힌 모델 밸런스 확보.
핵심 기능
품질 인지 다중 할당(QAMA) 기반 1:M 손실 함수(LQAMA) 설계
- 정답 데이터를 물리적으로 복제하지 않고 정답 1개에 대해 복수의 고품질 예측이 동시에 학습되도록 설계하여 연산 오버헤드 최소화.
진행 단계
문제 정의 및 베이스 모델 분석
2025.06.
비전 트랜스포머 및 장면 그래프 생성(SGG) 모델(EGTR)의 1:1 매칭 손실 한계 분석.
프로젝트 상세
[프로젝트 개요] 실무 비전 AI 개발에서 빈번하게 발생하는 데이터 불균형(긴 꼬리 분포) 문제를 해결하기 위해, 모델 구조 변경이나 데이터 추가 수집 없이 학습 손실 함수(Loss Function) 재설계만으로 희소 클래스 예측 성능을 개선한 비전 AI 연구개발 프로젝트입니다. 관련 연구 성과는 국내 인공지능 전문 학술대회 논문집에 정식 게재되었습니다. [1. 프로젝트 배경 및 문제 정의] - 실무
