Contrastive Learning 기반 주행패턴 분석

🧠 프로젝트 개요

이 프로젝트는 대조학습(Contrastive Learning) 기반의 방법론을 활용하여, 스마트폰 센서 데이터로부터 운전자의 주행 패턴을 분석하고, 운전 중 발생하는 이상 행동이나 변화점을 자동으로 탐지하는 시스템을 개발한 연구입니다.

레이블링이 어려운 운전 데이터를 효율적으로 처리하기 위해 자기지도학습(Self-supervised Learning)을 기반으로 하였고, 이후 적은 양의 레이블만으로 분류까지 수행할 수 있는 하이브리드 학습 방식을 채택했습니다.

센서 데이터 처리: STFT(Short-Time Fourier Transform)를 이용한 시간-주파수 변환
1단계 - 변화점 탐지:
- Time-Consistency 기반 대조학습 학습 구조
- InfoNCE Loss + Cosine Similarity 사용
2단계 - 분류기 학습:
- 사전학습된 딥러닝 모델의 feature를 기반으로 SVC 분류기 학습
- 소량의 레이블로도 높은 성능 확보

→ SqueezeNet, RegNet 모델은 변화점 탐지 및 분류 모두에서 매우 우수한 성능

변화점 탐지 정확도 (Precision 기준):
- RegNet: 0.92
- SqueezeNet: 0.75
- ShuffleNet: 0.73
- EfficientNet: 0.67
운전 패턴 분류 정확도:
- SqueezeNet: Precision = 1.00, Recall = 1.00
- ShuffleNet, RegNet: Precision/Recall > 0.85

→ 특히 클래스당 30개 미만의 매우 소량 레이블 데이터만으로도 뛰어난 성능을 달성함

프로젝트의 핵심 연구자로서 데이터 전처리부터 모델 설계, 실험 및 결과 분석에 이르는 연구 전반을 주도했으며, 다음과 같은 기술적 기여를 했습니다.

🧩 핵심 모델 및 알고리즘 설계 대조학습 모델 설계: Time-Consistency 개념을 적용하여 시간적 연속성을 기반으로 Positive/Negative 페어를 구성하는 독창적인 샘플링 전략을 제안하고 구현했습니다.

변화점 탐지 알고리즘 개발: InfoNCE Loss와 Cosine Similarity를 결합하여, 시간적 유사도 변화를 기반으로 주행 이벤트의 변화점을 탐지하는 프레임워크를 개발했습니다.

⚙️ 데이터 처리 및 실험 환경 구축 데이터 전처리 파이프라인 구축: 스마트폰 센서의 비정규 시계열 데이터를 Spline 보간으로 정규화하고, STFT 변환을 통해 시간-주파수 특성을 추출하는 자동화된 파이프라인을 설계했습니다.

📊 성능 검증 및 결과 분석 연구 결과 분석 및 논문 기여: 모든 실험 결과를 정량적, 정성적으로 분석하고 시각화 자료를 제작했으며, 이를 바탕으로 논문의 핵심 내용을 작성하고 연구 성과를 정리했습니다.

최대 1 분 소요

Sekai no Owari - 幻の命