<팀원>
소프트웨어학과 공종혁
소프트웨어학과 김서연
소프트웨어학과 문서현
소프트웨어학과 윤현식
<팀원별 활동내용>
공통
* 저희 팀은 방학 기간 동안 공통 팀 목표와 개인별 맞춤 목표를 병행하는 활동 방식을 채택했습니다. 팀원 전체가 하나의 공동 목표를 설정하고 이를 함께 수행하면서
협업 능력을 기르는 동시에, 각 팀원은 개인 관심사와 역량에 맞는 개별 목표를 설정하여 자율적으로 수행했습니다.
- 24-2 파란학기제로 진행했던 <열화상 영상 기반 이상행동 감지> 프로젝트 개선
- YOLO 11 모델의 작동 원리를 파악하고, 적절한 데이터셋을 활용하여 객체 탐지와 포즈 추정을 활용한 이상행동 감지를 구현
공종혁
- Deep Learning 및 Machine Learning 학습
- 포즈 추정 학습
- 객체 탐지 및 포즈 추정 모델인 YOLO 11 모델 학습 및 실습
김서연
- 네트워크 원리 및 TOPCIT 학습
- YOLO 모델을 활용한 객체 탐지 및 포즈 추정 실험과 Transformer 모델을 활용한 이상행동 분류 수행
문서현
- YOLO 모델 학습 및 활용
- Observability 개념 학습 및 활용을 목표로 CSP, SaaS의 모니터링 프로덕트를 사용해보고 분석함
- 교내 클라우드(Aolda) 운영을 위한 기반 지식 학습
윤현식
- Linux 공부와 함께 YOLO 시리즈 모델의 비교를 통해 장단점을 분석하고, AI 지식을 확장하며 객체 탐지 및 포즈 추정 실험을 진행
- Transformer 모델을 활용한 이상행동 분류 수행
<팀원별 최종성과>
공통
- 포즈 추정 모델을 기존 MoveNet에서 YOLO로 변경함으로써, 포즈 추정으로만 행동 판별을 진행했던 과거와 달리, 포즈 추정과 객체 탐지를 함께 활용한 행동 판별을 진행;
더 다양하고 정확한 행동 클래스 판별 가능
- UCF Crime Dataset을 기반으로 YOLO 11 모델을 활용한 객체 탐지 및 포즈 추정 진행
공종혁
- Deep Learning 및 Machine Learning 학습
- 포즈 추정 학습 및 실습
- YOLO 11 모델을 사용하여 객체 탐지 및 포즈 추정 실습
김서연
- 네트워크 기본 원리에 대한 학습
- TOPCIT 대비 소프트웨어 개발 원리 이해
- YOLO를 활용한 실시간 객체 탐지 및 포즈 추정 성공
문서현
- 객체 탐지 및 포즈 추정의 원리 이해 및 활용
- Observability 학습 및 AWS, Azure, NCP 등의 CSP 활용 능력
- 네트워크, Docker 등 CS 지식 학습
윤현식
- Linux 학습: 리눅스 마스터 2급 자격증 대비를 위한 체계적인 학습 진행
- YOLO 시리즈 비교 및 AI 지식 확장: YOLO 모델 시리즈의 성능을 비교 분석하여 장단점을 파악하고, 객체 탐지 및 포즈 추정 실험을 통해 실무 적용 가능성 탐색
- Transformer 기반 이상행동 분류: Transformer 모델을 활용한 이상행동 분류 실험을 통해 딥러닝 응용 분야에 대한 이해도 증진
<팀원별 향후계획>
공동
- 모각소 활동 동안 학습한 YOLO 11 모델을 기존 MoveNet 대신 적용하며 성능 비교 및 수치화
- 추가 데이터셋을 활용한 Fine-tuning 등을 통해 이상행동 분류의 성능 향상
공종혁
- 인공지능 추가 개념 학습 및 논문 학습
- 프로젝트 내 MoveNet의 YOLO 11 치환 가능성 검토 및 실시간 통신 확인
김서연
- 네트워크 원리 Chapter4-6 학습 및 정리
- 소프트웨어 개발 원리, 데이터 이해와 활용 학습
문서현
- CSP 심화 활용: 자격증(AWS SAA, NCP CA 등) 취득
- OpenStack 및 Kubernetes 학습: 교내 클라우드(Aolda) 운영과 관련된 기반 지식 추가 학습
윤현식
- 자동차 프로젝트 준비 및 AUTOSAR·회로 학습: 향후 진행할 자동차 관련 프로젝트에 AI 지식을 적용하고, AUTOSAR 및 기본 회로 관련 지식을 습득하여 실무 적용 역량 강화
- 리눅스 마스터 1급 준비: 리눅스 시스템에 대한 심화 지식을 습득하고, 1급 자격증 취득을 목표로 학습 진행
<발표자료>