산업용 AI, 의료 AI, 증강현실(AR) 및 모바일 실시간 추론 분야에서 7년 이상의 경험을 쌓아 온 컴퓨터 비전 연구 엔지니어입니다.
단순히 모델을 학습하는 데 그치지 않고, 현상을 분석해 문제를 정의하고, 적합한 모델을 설계하며, 실제 환경에서 동작하도록 최적화하는 과정에 집중합니다.
|
⚡ 7–8 ms Galaxy S9 모바일 CPU 인물 분할 추론 모델 크기: 0.20 MB |
📈 1.89× faster 다중 시점 3D 자세 추정 파이프라인 56 FPS → 106 FPS |
|
🧠 −50.5% Parameters 경량 단안 깊이 추정 모델 GFLOPs 58.7% 감소, 정확도 유사 수준 |
🏆 KITTI Benchmark #1 단안 깊이 추정 연구 성과 2019년 3월–9월 기록 |
성과 수치는 이력서와 포트폴리오에 기재된 결과이며, 기기 및 평가 환경에 따라 달라질 수 있습니다.
- 모바일 CPU 실시간 처리를 위한 경량 CNN–Transformer 하이브리드 모델 설계
- 데이터 수집·라벨링, TensorFlow 학습 파이프라인 구축
- FP16 양자화를 적용한 TFLite 변환 및 평가 웹 앱 구현
Python TensorFlow TFLite C++ Docker
결과: Galaxy S9 추론 7–8 ms · 모델 0.20 MB
- 4개 카메라 기반 보정 및 DLT 삼각 측량
- 시점별 자세 추정 결과 융합
- 멀티프로세싱과 TensorRT를 통한 처리 파이프라인 최적화
Python PyTorch MMPose YOLO TensorRT
결과: 56 FPS → 106 FPS · 처리 속도 1.89배 향상
- ShuffleNetV2 기반 경량 인코더–디코더 설계
- 발 키포인트와 분할 마스크 멀티헤드 예측
- 경계 영역 데이터 증강 및 6-DoF 자세 추정용 C++ 구성 요소 구현
Python TensorFlow TFLite C++
- 단안 깊이 추정 및 다중 스케일 팽창 합성곱 기반 시맨틱 분할 연구
- 깊이 추정 논문 공동 저자, 시맨틱 분할 논문 제1저자
- KITTI Depth Prediction Benchmark 1위 기록(2019년 3월–9월)
관련 코드: BTS — From Big to Small
- 경량 모듈 및 로컬 특징 표현 연구 지도
- Lite-Mono 대비 파라미터·연산량·정확도·추론 속도 비교
결과: 파라미터 50.5% 감소 · GFLOPs 58.7% 감소 · Jetson Orin Nano 8GB에서 추론 속도 46–52% 향상
- 산업용 AI: 전류·진동·음향 데이터 기반 설비 고장 진단, 잔여수명(RUL) 예측, 이상 탐지
- 의료 AI: 12유도 심전도(ECG) 이미지 기반 부정맥 분류 및 멀티 GPU 학습 인프라
- 기술 교육: 카메라 인식과 장애물 회피를 다루는 입문용 자율주행 강의 제작
- DACON 챌린지: Computer Vision 이상치 탐지 알고리즘 경진 대회 Private 9등
(Reference: https://dacon.io/competitions/official/235894/codeshare/4959)
Languages
AI / Deep Learning
Computer Vision / Deployment
- From Big to Small: Multi-Scale Local Planar Guidance for Monocular Depth Estimation — 공동 저자 · 코드
- Semantic Segmentation with Multi-scale Dilated Convolution of Dense Structure — 제1저자 · 2019 한국로봇종합학술대회 발표
컴퓨터 비전 기술이 실험실을 넘어 실제 환경에서 가치를 만들 수 있도록, 문제 정의부터 모델 설계와 최적화·배포까지 연결하는 일을 좋아합니다.