This paper introduces a novel knowledge distillation (KD) framework for monocular depth estimation (MDE), incorporating dynamic weight adaptation to address critical challenges. The proposed approach effectively mitigates visual limitations, including blurred object boundaries and discontinuous artifacts, while preserving quantitative performance. Beyond addressing these visual challenges, the innovative KD framework reduces the complexity of depth information, thereby significantly enhancing computational efficiency. To validate the effectiveness of the proposed framework, extensive comparative evaluations were performed using state-of-the-art models, including AdaBins, LocalBins, BinsFormer, PixelFormer, and ZoeDepth. These evaluations were conducted on benchmark datasets, including NYU Depth V2 and SUN RGB-D for indoor environments and KITTI for outdoor scenarios, to ensure a rigorous and comprehensive assessment of robustness and generalization capabilities. The results demonstrate that the proposed KD framework outperforms existing methods in visual quality across all datasets while achieving notable computational benefits, including a 15.45% reduction in Floating Point Operations (FLOPs) for the LocalBins model and 7.72% for the ZoeDepth model.

본 논문에서는 대면·비대면 혼합 교육 환경에서 딥러닝 기반 안면 상태 감지 모델과 알고리즘을 통한 학습자 집중도 분석 시스템을 제안한다. 기존에는 학습자의 집중도 분석을 위하여 Facial emotion analysis 모델을 통한 안면 상태 감지, Image segmentation 모델을 활용한 자세 감지, Eye tracking과 뇌파 활성도를 이용한 연구들이 있었다. 이에 반해 본 논문에서 제안된 방법은 학습자의 집중도 분석을 위해 Eye blink state 감지를 통하여 Drowsiness를 인식하고 Head-turning state 감지를 통하여 Cheating을 인식한다. 딥러닝 모델 기반 집중도 분석 알고리즘은 분석 과정에서 모델이 도출하는 임의의 Confidence 값이 아닌 정량적 수치를 통하여 집중도를 산출한다. 알고리즘은 카메라를 통하여 수집된 영상 내 학습자의 안면 상태를 기반으로 Eye blink 감지를 통한 Drowsiness 인식, Head pose 감지를 통한 Cheating 인식을 수행하며 인식 데이터를 기반으로 일정 주기로 집중도 상태를 산출한다. 안면 상태 감지에는 Face landmark detector와 Object detector를 활용하였으며 정확도와 동작 속도의 비교를 통해 더 유리한 Object detector를 채택하여 시스템을 구성하였다. 그리고 시스템을 검증하기 위하여 비대면, 대면 상황에 각각 20명, 100명의 시나리오를 통하여 학습자의 집중도를 산출하였으며 90%, 93%의 정확도를 나타내었다.

본 연구는 제조업 공장 현장에서 작업자의 산재 사고 예방을 위한 효과적인 데이터 수집 장치 및 방법을 제안한다. 제작된 장치는 내부 에어커튼 및 냉각 기능을 통합하여 카메라를 포함하는 전자 장치의 고온과 분진에 의한 영향을 최소화한다. 또한, 장치를 활용해 수집된 데이터를 기반으로 작업자의 산재 사고 위험을 사전에 감지하고 예방하기 위한 목적으로 제안되었고, 내부 제어기에 인공지능을 추가하여, 실시간으로 작업 환경의 안전을 모니터링하고 위험 상황을 예측할 수 있도록 설계되었다. 따라서 제작된 장치를 고온과 분진이 존재하는 제조업 현장에 직접 설치하여 정상 작동 여부에 대한 검증과 인공지능을 활용한 산재 사고 예방을 위한 가능성 시사 측면으로 장치를 활용한 딥러닝 기반 객체 탐지 결과를 확인하였다.

본 논문에서는 효과적인 다중언어 OCR(Optical Character Recognition)을 수행하기 위한 최적의 파이프라인을 제안한다. 기존 연구들은 단일 언어 데이터를 대상으로 OCR을 수행해 왔다. 이 과정에서 이미지는 먼저 탐지 모델에 입력되어 영역을 식별 후, 이 영역을 인식 모델로 전달하여 텍스트 문장을 추출한다. 하지만 이 방식은 단일 언어 OCR 네트워크에 국한되어 있어, 다양한 언어에 대한 데이터는 처리하지 못한다는 한계가 있었다. 이에 본 논문에서는 각 언어에 대한 특성을 고려한 언어 분류 모델을 기존 모델에 통합하고, 이를 기반으로 언어별 독립적 인식 모델을 구성한 다중언어 OCR이 가능한 방법론을 개발하였다. 제안하는 파이프라인은 실험을 통해 다중언어 데이터에 대해 정량적 및 정성적으로 우수한 성능을 확인하였다.