RF-DETR: Transformer 기반 객체 감지 모델의 복잡 환경 성능 분석
복잡한 산업 환경에서 객체 감지 모델을 비교할 때 무엇을 봐야 하는지, 현장 적용 관점으로 요약했습니다.
현장 관점: 정확도만이 아니라 속도, 설치 환경, 오탐 처리 방식까지 함께 봐야 합니다.
Tech Blog
논문 소개로 끝나지 않고,
현장 적용 관점까지 정리하는 기술 블로그
시계열 AI, 비전 AI, 경량화 모델, 엣지 배포 관점을 중심으로 읽을 수 있는 기술 노트를 정리합니다.
- 시계열 AI
- Vision AI
- 경량화·엣지 배포
- 현장 적용 메모
Latest notes
기술 노트
논문 요약에 그치지 않고, 실제 현장과 운영 문맥에서 무엇을 먼저 봐야 하는지 함께 정리했습니다.
CARLA: 시계열 이상 탐지를 위한 자기 지도 대조 표현 학습
라벨이 부족한 환경에서 자기 지도 방식이 어떤 장점을 갖는지 정리했습니다.
현장 관점: 데이터 품질이 고르지 않은 제조 환경에서는 전처리 전략이 성능만큼 중요합니다.
TBiGNet: 경량 Transformer 기반 RUL 예측
엣지 장비에서도 실행 가능한 경량 모델이 왜 필요한지, 잔여수명 예측 맥락으로 설명합니다.
현장 관점: 현장에서는 최첨단 모델보다 배포 가능성과 운영 부담이 더 중요할 수 있습니다.
LiPFormer: 경량 패치 단위 트랜스포머와 약한 데이터 보강
데이터가 적은 환경에서 모델을 어떻게 가볍게 유지하면서도 성능을 확보할지 살펴봅니다.
현장 관점: 작은 데이터셋에서는 모델 구조보다 학습 전략과 증강 방식이 체감 성능에 크게 작용합니다.
LightGTS: 경량 범용 시계열 예측 모델
다양한 도메인에 적용 가능한 시계열 예측 구조를 산업 데이터 관점에서 읽어봅니다.
현장 관점: 범용 모델을 그대로 쓰기보다, 현장 변수와 알람 기준에 맞는 튜닝이 필수입니다.
TranAD: 시계열 데이터 이상 탐지를 위한 딥 트랜스포머
시계열 이상 탐지 모델을 실제 운영 알람에 연결할 때 주의할 점을 함께 정리했습니다.
현장 관점: 모델 성능 외에도 경보 민감도와 현장 해석 가능성이 중요합니다.
CFLOW-AD: 실시간 비지도 이상 탐지
외관 이상 탐지 시 라벨 없는 비지도 방식이 어떤 상황에서 유효한지 소개합니다.
현장 관점: 불량 샘플이 적은 환경에서는 비지도 방식이 현실적인 출발점이 될 수 있습니다.
Anomaly Transformer: Association Discrepancy 기반 이상 탐지
시계열 이상 탐지 대표 구조를 산업 현장 적용 시나리오와 함께 정리했습니다.
현장 관점: 설명력 있는 대시보드와 함께 써야 현장 의사결정에 도움이 됩니다.
Need a deeper discussion?
기술 자체보다,
우리 현장에 어떤 방식이 맞는지가 궁금하다면
적용 가능 여부는 장비 구성과 운영 목적에 따라 달라집니다. 상담 단계에서 필요한 범위를 함께 정리할 수 있습니다.