[라벨링 비용을 줄이는 AI 학습 전략: Semantic Segmentation을 위한 Active Learning 프레임워크(NeurIPS 2025 발표)] 라벨링 비용이 제한된 환경에서도 효율적인 Semantic Segmentation을 달성하기 위한 새로운 Active Learning 기반 학습 전략을 소개합니다. 본 연구에서는 Uncertainty와 Diversity를 결합한 Two-Stage Active Learning 프레임워크를 제안하며, Diffusion Model을 활용해 데이터 효율성과 성능을 동시에 향상시킨 사례를 공유합니다 [효율적인 다중 시각 모델 학습을 위한 모델 설계법(CVPR 2025 발표)] 컴퓨터비전 모델은 하나의 이미지에서 다중 작업을 수행하는 멀티태스크 학습이 이루어지기 때문에 모델의 크기가 너무 커지고 계산량이 많아지는 문제가 존재합니다. 특히 리소스가 제한된 환경에서는 실제 적용이 어려운 한계점을 보완하기 위해 TADFormer(Task-Adaptive Dynamic TransFormer) 라는 새로운 접근법을 소개합니다. TADFormer를 통해 인공지능 모델을 더욱 효율적으로 활용하기 위해서 어떠한 관점으로 모델을 학습시켜야 하는지에 대해 제시합니다.