Computer Vision / ML Engineer

경량 컴퓨터 비전 모델을 설계하고, 실험 결과를 검증하여 API와 데모 형태로 연결합니다. 모델 성능만 제시하는 것이 아니라 데이터 검증, 정량 평가, 추론 속도 측정, 서비스 연동까지 직접 구현하는 것을 목표로 합니다.

• Hankuk University of Foreign Studies
• Computer Engineering
• Double Major in Northeast Asian Diplomacy and Commerce
• Focused on Computer Vision, ML Evaluation, and Deployment

Lightweight boundary-aware network for road-damage semantic segmentation.

도로 손상 영역의 경계 정보가 경량 모델에서 손실되는 문제를 분석하고, detail/context feature와 boundary-guided fusion을 적용한 세그멘테이션 모델입니다.

• 경량 도로 손상 세그멘테이션 모델 설계 및 구현
• 이미지와 마스크의 파일명, 해상도, 누락 여부를 검사하는 데이터 검증 과정 구축
• mIoU, Damage IoU, 추론 지연시간 기반 성능 평가
• 구조 및 손실 함수 변경에 따른 ablation experiment 수행
• PyTorch 모델을 FastAPI 추론 API 및 웹 데모와 연동
• 예측 마스크, overlay 이미지 및 정량 결과를 활용한 시각적 검증

Python PyTorch OpenCV NumPy Semantic Segmentation FastAPI

Structured-data ML service for estimating future financial deterioration risk.

단순 모델 학습에 그치지 않고 데이터 처리, 시간 순서 기반 검증, API 추론, batch scoring 및 monitoring artifact까지 연결한 ML 엔지니어링 프로젝트입니다.

• 시간 순서를 고려한 train/validation 분리
• 데이터 누수를 방지하기 위한 feature generation
• FastAPI 기반 단건 추론 API
• batch scoring pipeline
• Docker 실행 환경
• GitHub Actions 기반 자동 테스트
• synthetic data 사용 범위와 프로젝트 한계 명시

Python FastAPI scikit-learn Pandas Docker GitHub Actions

프로젝트를 진행할 때 다음 과정을 중요하게 생각합니다.

모델을 학습하기 전에 데이터 파일의 누락, 이름 불일치, 해상도 차이, 잘못된 mask value를 먼저 검사합니다.

정확도 하나만 제시하지 않고 task-specific metric, latency, parameter count와 qualitative result를 함께 확인합니다.

평균 성능뿐 아니라 작은 손상 영역, 불명확한 경계, 복잡한 배경 등 모델이 실패하는 조건을 분석합니다.

학습된 모델을 추론 API와 웹 데모로 연결하여 실제 입력과 출력 흐름을 검증합니다.

실험 설정, 평가 조건, 결과 이미지, 한계점을 문서화하여 결과를 재현하고 검토할 수 있도록 정리합니다.

• Python
• PyTorch
• OpenCV
• NumPy
• Pandas
• scikit-learn
• Semantic Segmentation
• Object Detection
• Model Evaluation
• Ablation Study

• FastAPI
• REST API
• Docker
• GitHub Actions
• AWS
• Linux
• GitHub Pages

• Git
• GitHub
• JavaScript
• HTML
• CSS
• WSL

Hankuk University of Foreign Studies

• Major: Computer Engineering
• Double Major: Northeast Asian Diplomacy and Commerce

• Korean
• English
• Japanese

현재는 Vision-Language-Action 에이전트의 실행 실패를 감지하고 복구하는 외부 검증 계층을 연구하고 있습니다.

주요 관심 분야는 다음과 같습니다.

• Vision-Language-Action agents
• Robot action failure detection
• World-state verification
• Recovery planning
• Robustness evaluation under environmental perturbations

연구 결과와 재현 가능한 실험 코드가 정리되면 별도의 공개 저장소로 제공할 예정입니다.

프로젝트와 구현 세부 내용은 각 저장소의 README 및 실험 문서에서 확인할 수 있습니다.