Dynamic scale position embedding for cross-modal representation learning
Neural NetworksJournal
인용 0
원문 보기연구실 정보를 불러오고 있습니다
Eunwoo Kim
중앙대학교 소프트웨어학부
Contact Information
AI & ROBOTICS LABORATORY at Chung-Ang University, located in Building 208 Rooms 312 & 315
Learning methods that exploit multi-modal inputs to learn tasks of various domains while comprehending their respective contexts.
Methods for lifelong learning that enables robots to leverage foundational knowledge and continuously adapt to new tasks, domains, and sensory modalities over time.
Algorithms that explore optimal models and parameters of prerequisite learning tasks suitable for new learning situations.
Object-oriented framework to learn transferable knowledge and task hierarchy for task planning of a robot.
Methods and prototype applications for human-centric networked robots for seamless operations of service robots in daily lives.
Pose estimation and instance segmentation algorithms for robotic applications including bin-picking and visual understanding.
Time-series action prediction and segmentation for analyzing sequential data and heavy equipment operations.
Deep learning models to learn and segment time-series actions for heavy equipments.
Lifelong Robot Learning
Multi-Modal Continual Learning with Context Understanding
Development of AI for Self-Improving Competency-Aware Learning
AI-based Fingerprint Analysis
Learning Transferable Task Knowledge and Planner for Service Robots
Time-Series Action Prediction and Segmentation
Automated Deep Learning Technology for Multi-Task Learning
Customized Neural Architecture Search and Proposal
Pose Estimation for Bin-Picking of a Robot
Vision Intelligence based Construction Safety Management System
StreetWise
On-the-fly Machine Learning for Evolving Intelligent CPS
Human-Level Lifelong Machine Learning
Human-Centric Networked Robotics Technology
출처: 연구실 홈페이지
현재 재학생
13명
최근 5년 졸업
0명
학위 과정 분포: 석사 6명, 박사 7명 (대학원 13명)
대학원 13명 · 포닥·학부연구생 1명 별도
본 페이지는 연구실 규모 파악을 위한 집계 통계(구성원 수, 진로 카테고리, 학위 과정 분포)만 제공하며, 개별 학생의 이름·전적·취업처 등은 표시하지 않습니다. 학위 과정 분포는 모든 재학생의 과정이 명확히 분류된 경우에만 표시되며 (분류 미상 학생이 1명이라도 있으면 미표시), k≥5 익명성 조건을 충족할 때만 공개됩니다 (PIPA §58-2·§28-2 + 대법원 2014다235080).
본 논문은 멀티태스크 학습을 위한 인스턴스별 동적 네트워크 모델 선택 문제를 다룹니다. 백본 아키텍처 기반의 추정기와 선택기로 구성된 방법을 제안하며, 선택기는 입력 인스턴스에 대해 후보 모델들의 확률 분포를 추정합니다. 통합 학습 프레임워크에서 추정기와 선택기를 함께 학습하며, 이미지 분류 작업에서 기존 방법들 대비 우수한 성능과 멀티태스크 인스턴스별 모델 선택의 다용성을 입증합니다.
본 논문은 메모리 효율적인 다중 작업 학습을 위해 깊은 가상 네트워크(DVN)를 제안합니다. 각 DVN은 단일 작업에 특화되며 계층적 구조를 가져 다양한 메모리 예산에 대응합니다. 단위(unit)라 불리는 분리된 매개변수 집합으로 구성되며, 단위 공유를 통해 여러 작업을 메모리 인식 방식으로 처리할 수 있습니다.
본 논문은 다양한 리소스 요구사항을 만족하는 중첩 희소 신경망(nested sparse network)을 제안합니다. 제안된 프레임워크는 서로 다른 희소성 비율을 가진 여러 수준의 네트워크로 구성되며, 하위 네트워크와 파라미터를 공유하여 안정적인 학습을 실현합니다. 적응형 압축, 지식 증류, 계층 분류 등 다양한 작업에서 기존 방법 대비 효율적인 성능을 달성합니다.