Skip to content

Latest commit

 

History

History
116 lines (94 loc) · 6.13 KB

profile.md

File metadata and controls

116 lines (94 loc) · 6.13 KB
Raw
layout title permalink
page
Profile
/profile/

Info

portrait

표정우(Jungwoo Pyo)

1994.05.12
E-mail: [email protected]
H.P. : +82-10-2681-1137
Github: https://github.com/jw-pyo
Homepage: https://jw-pyo.github.io

Live As Greedy: local optimal을 선택하다 보면 결국 global optimal에 도달하는 greedy algorithm의 풀이 방식처럼, 현재의 위치에서 최선을 다하면 결국 원하는 목표에 도달할 수 있다는 motto를 가지며 새로운 것에 대한 배움을 즐기는 엔지니어입니다.

Education

  • 2017.03 - 2020.02 , M.S, Electrical & Computer Engineering in Seoul National University(In-memory Database Lab)
  • 2013.03 - 2017.02 , B.S, Electrical & Computer Engineering in Seoul National University

Career & Internship

  • 2018.03 - 2019 , 서울대학교 블록체인 학회 Decipher 1, 2기
  • 2016.07 - 2016.08 , LG전자 CTO부문 SW센터 PMO실 SDK part intern

Projects

  • 2019, An Attention-Based Speaker Naming Method for Online Adaptation in Non-Fixed Scenarios(will be presented at AAAI 2020 Workshop(WICRS))

speaker naming

speaker naming architecture

▲ Overall architecture of attention-based speaker naming method

    • 영화나 드라마에서 화자의 얼굴을 localize하고, face-voice feature embedding을 활용하여 화자의 ID를 식별하는 speaker naming task 수행
    • speaker naming task를 수행하는 기존의 gradient-based method 방식과 달리, attention module을 이용하여 gradient update process 없이 prior knowledge와 target data 간의 similarity의 linear combination을 통한 target data의 identification을 수행하는 방법 제시
    • 기존의 방식은 모델을 훈련시키기 위해 충분한 training data와 긴 training time이 소요되는 단점이 있었으나, 본 논문에서 제시한 방법을 통해 비슷한 수준의 accuracy를 유지하면서 model training time을 크게 단축시킴(10x-100x).
    • gradient-based method에서 사용된 것보다 적은 수의 training data(5 face-voice pairs per ID)만을 이용하여 모델 구축 가능
    • 모델이 배포된 이후에 추가적으로 얻게 되는 새로운 데이터를 attention module에 추가하여 knowledge base로 활용하는 online adaptation 가능
  • 2019, Multi-Domain Networks for Object Detection in Road Environment

mdnet

    • Yolo-v3을 backbone network로 사용하여 도로의 여러 차량을 인식하는 multi-domain object detection model 구축
    • shared weight를 공유하는 multi-branch network로 구성하고, 각 branch를 road condition(weather, time)에 dependent하게 훈련
    • BDD100k dataset 활용
    • baseline(single-branch network)에 비해 mAP 향상
    • data preprocessing: python, core: python(Pytorch)
    • demo link: https://youtu.be/CZ_VfzbysHA

      • mAP comparison between multi-domain network and single-domain network

      ▲ mAP comparison between multi-domain network and single-domain network

  • 2018.08.24 - 08.25, Queryable blockchain-중국 상하이 Zhongan Insurance 해커톤 준우승(2nd prize)(포스트)
  • 2017, smartcard 데이터를 이용한 출.퇴근 시간 crowd path visualization
    • 2016.06.17(Sat) 하루 동안의 수도권 교통카드 tagging data 활용(about 10 million rows)
    • 지하철, 버스를 이용한 승객들의 이동 방향 및 수를 시각화
    • 시간, tagging count를 필터링하여 확인 가능
    • data processing: Python, visualization: Tableau
    • [subway demo]
    • [bus demo]

      • example of visualization for smartcard:subway

      ▲ example of crowd's subway trajactory visualization based on smartcard data

Skills & Experiences

  • Python(Tensorflow, Pytorch)
  • C, C++
  • (RDBMS)PostgreSQL, MySQL
  • (Blockchain)Ethereum, Quorum, Solidity

Publications