HDC LABS Dongsik Yoon

비전 데이터 탐색 Agent Vision Data Exploration Agent

핵심 역할Key role

Agent 시스템 개발 주도 (데이터 색인, VLM 검수, 워크플로우, 학습 연동)Led agent system development (data indexing, VLM review, workflow, training integration)

협업데이터 정리(엔지니어 1명)Withdata curation (1 engineer)

1추진 배경Background

기존 문제점Problem

사내 NAS의 여러 도메인 비전 데이터셋이 다양한 경로와 폴더로 분산
탐색부터 후보 구성, GPU 학습 제출까지 데이터 구조와 Slurm 숙지 필요
자연어 검색 결과가 실제 요청 조건과 일치하는지 확인 어려움

Vision datasets from many domains were scattered across NAS paths and folders
Going from search to training sets and GPU jobs required knowing the data layout and Slurm
Hard to tell whether search results matched the request

업무 목표Objectives

비개발자가 보유 데이터의 종류와 규모를 빠르게 파악하는 탐색 환경 구축
탐색, 검수, 학습 후보 구성과 승인 기반 학습을 하나의 흐름으로 연결

Help non-developers see what data exists and how much
Connect search, review and approved training in one flow

보유 데이터 현황을 대화로 조회하는 화면 Asking for the data inventory in chat

2Agent 워크플로우Agent Workflow

Vision data agent workflow — 색인부터 학습 제출, 결과와 실패 분석까지 이어지는 Agent 워크플로우 Agent workflow from indexing to training submission and failure analysis

처리 흐름Workflow

SigLIP 임베딩으로 색인하고 자연어 및 이미지 질의로 검색신규 및 변경 데이터 증분 색인
VLM으로 검색 결과와 라벨을 재확인하고 원천과 분리된 영역에 후보 구성
사람 승인 후 GPU 학습을 제출하고 오탐 사례는 다시 탐색으로 연결

Index with SigLIP embeddings and search by text or imageIncremental indexing of new and changed data
A VLM re-checks hits and labels; candidate sets are built apart from source data
GPU training runs after human approval; false positives loop back to search

설계 원칙Design principles

의도 해석과 설명은 대화 모델, 경로 검증과 실행 조건은 결정론적 코드
기능을 조회, 생성, 실행으로 나눠 실행 단계에만 사람 승인 적용원천 데이터 읽기 전용

Chat model for intent and explanation; deterministic code for paths and run conditions
Tools split into query, create and execute; only execution needs human approvalSource data stays read-only

3구현과 검증Build & Validation

담당 업무Responsibilities

SigLIP과 LanceDB 기반 자연어 및 이미지 검색, 증분 색인 구축
VLM 검수와 학습 후보 구성을 잇는 LangGraph 멀티모달 Agent 설계
데이터 조회와 GPU 학습 권한을 분리하고 실제 학습에 사람 승인 적용수량, 검수 상태, 경로 중복 검사와 감사 로그, 제출 잠금 적용

Built text and image search with incremental indexing on SigLIP and LanceDB
Designed a LangGraph multimodal agent linking VLM review to training-set building
Separated data-query and GPU-training permissions and required approval for real trainingCount, review-status and path-overlap checks, audit log and submission lock

업무 성과Achievements

수만 장 규모 비전 데이터를 통합 색인해 대화형 현황 탐색 경로 구축
탐색부터 승인, 실제 GPU 학습과 결과 조회까지 E2E 동작 검증승인 없는 실행과 동일 학습의 중복 제출 차단 확인
모델 오탐 이미지를 유사 데이터 재탐색과 후속 학습 후보 구성으로 연결

Built a conversational way to explore tens of thousands of indexed vision images
Validated end to end from exploration and approval to real GPU training and resultsUnapproved runs and duplicate submissions blocked
Linked false-positive images to similar-data search and the next training candidates

실제 GPU 학습 제출 전 승인 카드 Approval card before the real GPU training run

비전 기반 행동 인지 케어 로봇 Vision-Based Care Robot 개인 프로젝트Personal

핵심 역할Key role

케어 로봇 기획 및 개발 (시나리오, 인지 평가, 질문 우선 FSM, 논문)Planned and built the care robot (scenarios, perception, ask-first FSM, paper)

1추진 배경과 외형, 행동 설계Background, Form & Behavior Design

기존 문제점Problem

혼자 사는 고령자는 밤에 가장 취약하지만 도움은 가장 멀리 있음
카메라 모니터링은 감시로 느껴져 거부되는 경우가 많음
공개 벤치마크의 높은 정확도가 로봇 카메라 시점에서 유지되는지 불확실

Older adults living alone are most vulnerable at night, when help is farthest away
Camera monitoring feels like surveillance and is often refused
Unclear whether high public-benchmark accuracy holds at a robot camera's viewpoint

업무 목표Objectives

이상 단서를 경보 대신 질문의 계기로 쓰는 침대 옆 케어 로봇 설계
벤치마크 성능과 로봇 시점 성능을 분리해 실제 상호작용 지표로 평가

Design a bedside care robot that treats a distress cue as a reason to ask, not to alert
Separate benchmark from robot-view performance and score what matters for interaction

담당 업무Responsibilities

기성 팬틸트 카메라에 종이 얼굴을 입혀 렌즈가 눈동자가 되는 외형 설계Tapo C220과 Jetson Orin Nano로 1차 실물 프로토타입 제작
고개 돌리기, 기울이기, 끄덕임으로 주목, 망설임, 안심을 표현하는 행동 설계실제 팬틸트 구동은 이번 평가 범위에서 제외
벽을 향해 눈을 감는 프라이버시 상태로 보지 않음을 확인 가능하게 설계

Gave a stock pan-tilt camera a paper face, its lens as the pupilFirst physical prototype on a Tapo C220 and Jetson Orin Nano
Designed turns, tilts and nods that read as attention, hesitation and reassuranceActual pan-tilt motion was outside this evaluation
A privacy pose facing the wall with the eye shut makes not watching visible

Nuni prototype evolution — 기성 부품(왼쪽)과 1차 종이 얼굴 프로토타입(오른쪽) Off-the-shelf parts (left) and the first paper-face prototype (right)

2케어 로봇의 인지와 질문 흐름 설계Perception & Question Flow of the Care Robot

Perception paths and the question-first controller — 두 인지 경로와 질문 우선 제어기 구성 Two perception paths and the question-first controller

처리 흐름Workflow

로봇 카메라 640×360 영상에서 신체 단서를 인식해 ROS 2 이벤트로 전달
확인된 단서마다 질문 2.5초와 응답 창 8초를 두 번까지 반복유효 응답이나 손 흔들기 시 중단, 두 번 모두 무응답일 때만 알림 1회
알림 뒤에는 사용자 곁에 머무르고 15초 쿨다운으로 중복 알림 억제

Recognise body cues in the robot camera's 640×360 stream and pass them on as ROS 2 events
Each confirmed cue opens up to two rounds of a 2.5 s prompt and an 8 s response windowA valid response or a wave stands down; one alert only after two silent windows
After an alert the robot stays with the person; a 15 s cooldown blocks duplicates

설계 원칙Design principles

인지와 제어를 분리해 모델을 바꿔도 상위 행동 정책 유지
RGB 외형 경로와 포즈 중심 경로를 따로 평가하고 결합하지 않음

Perception and control are separate, so the behaviour policy survives a model swap
The RGB appearance path and the pose-centric path are evaluated separately, never fused

3검증과 연구 발표Validation & Publication

담당 업무Responsibilities

로봇 카메라 1~2m 거리 단일 배우 영상 28개로 두 인지 경로 비교이상 행동 16개, 손 흔들기 4개, 정상 8개
카메라와 모델을 우회해 ROS 2 토픽에 이벤트를 주입하는 시험 환경 구성첫 응답 5회, 무응답 5회, 경계 조건 3회

Compared two perception paths on 28 single-actor clips from the robot camera at 1–2 m16 distress, 4 waving, 8 normal
Built a harness injecting events into ROS 2 topics, bypassing camera and models5 early responses, 5 no-responses, 3 boundary cases

업무 성과Achievements

벤치마크 97.7% RGB 모델이 로봇 시점에서 질문 단서 2/16에 그침 확인포즈 중심 경로는 12/16, 정상 영상의 불필요한 질문 2/8
질문 우선 FSM 이벤트 주입 시험 13/13회 통과무응답 시 평균 21.65초 뒤 알림 1회, 중복 알림과 교착 없음
연구 성과 발표 — 워크숍 논문 1건, 로봇 디자인 대회 1건로봇 시점 행동 인지 전이 평가 (IROSW 2026)케어 로봇 사용 시나리오와 행동 설계 (RO-MAN 2026 RDC)

A 97.7% benchmark RGB model raised an askable cue in only 2/16 robot-view clipsThe pose-centric path reached 12/16, with 2/8 needless questions on normal clips
Passed 13/13 event-injection tests of the ask-first FSMOne alert on average 21.65 s after silence, no duplicates or deadlocks
Presented the work — 1 workshop paper, 1 competition entryRobot-view action-recognition transfer (IROSW 2026)Care-robot scenarios and behavior design (RO-MAN 2026 RDC)

Robot-camera clips confirmed by the pose-centric path — 포즈 중심 경로가 단서를 확인한 로봇 시점 영상 (얼굴 흐림 처리) Robot-camera clips where the pose-centric path confirmed the cue (faces blurred)

용산 아이파크몰 AI 방문자 분석 Yongsan IPARK Mall AI Visitor Analytics

핵심 역할Key role

기술 PM (PoC 범위와 KPI 설계, 개발 실행과 현장 검증 조율)Technical PM (PoC scope and KPIs, delivery, field validation)

협업AI 엔지니어 3명, PM(내부 사업개발팀)With3 AI engineers, PM (in-house business development)

1방문자 분석 PoC 설계와 현장 검증Visitor-Analytics PoC Design & Field Validation

업무 목표Objectives

출입구 CCTV 기반 방문자 IN/OUT 및 특성 분석의 현장 적용 가능성 검증
실환경 데이터 기반 모델 성능과 운영 조건 확인

Validate whether entrance-CCTV visitor IN/OUT and attribute analysis works in the field
Check model performance and field operating conditions

담당 업무Responsibilities

온프레미스 환경과 개인정보 보호 조건을 반영한 CCTV 데이터 처리 구조 설계
기능별 KPI와 평가 기준 수립, AI 엔지니어 3명의 실행 항목과 완료 기준 구조화
성별과 연령 예측 모델 학습용 공개 데이터셋 RAPv2 고해상도 증강Qwen-Image-Edit로 자세와 의복은 유지하고 디테일만 복원84,928장 생성, 5종 지표 자동 검수로 10,413장 재생성

Designed CCTV data processing for on-premises and privacy constraints
Set per-feature KPIs and evaluation criteria, and structured work and done criteria for 3 AI engineers
Augmented the public RAPv2 dataset in high resolution for the gender and age modelsQwen-Image-Edit kept pose and clothing and restored only detail84,928 generated, 10,413 regenerated after five-metric automatic QC

업무 성과Achievements

영상과 얼굴 정보를 외부로 전송하지 않는 현장 PoC 운영22개 CCTV, 3주 운영, 방문 기록 250만 건 이상 처리
대표 출입구 직접 계수와 CCTV 재검수로 계수 정확도 약 95% 확인외형 판정 평가 라벨 기준 성별 90.7%, 연령대 90.5% 일치
Retail 챗봇 260문항 평가 정답률 83.1%답변 품질 3.82/5, 사실 정확성 4.28/5

Ran the on-site PoC with no video or face data leaving the site22 CCTV cameras, 3 weeks, 2.5M+ visit records
Confirmed ~95% counting accuracy by hand counts at representative entrances, re-checked on CCTVGender 90.7% and age-group 90.5% agreement with appearance-based evaluation labels
83.1% accuracy on the 260-question retail chatbot evaluationAnswer quality 3.82/5, factual accuracy 4.28/5

Entrance IN/OUT counting line — 현장 PoC 결과 화면 Field PoC result screens

Gender and age estimates — 현장 PoC 결과 화면 Field PoC result screens

2KPI 평가셋 구축을 위한 라벨링 진척 자동화Labeling Progress Automation for the KPI Evaluation Set

기존 문제점Problem

비디오 라벨링 특성상 완료 영상 수와 실제 객체 처리량 간 차이 발생

In video labeling, completed-clip counts diverged from the objects actually processed

담당 업무Responsibilities

다중 사용자 라벨링 도구 구축 및 검수 기준 설계
n8n으로 작업자별 객체 수와 달성률을 집계해 Dooray로 공유
원본 작업 시트는 읽기 전용 유지, 발송 이력으로 반복 알림 억제

Built a multi-user labeling tool and designed review criteria
Aggregated per-worker object counts and progress with n8n and shared them to Dooray
Kept the source sheet read-only and suppressed repeat alerts with a send log

업무 성과Achievements

연령대 및 성별 라벨 데이터 약 5만 장 구축
작업자 5명의 진척을 영상 수 대신 객체 수 기준으로 자동 공유

Built ~50k age-group and gender labels
Shared progress for 5 workers automatically, counted in objects rather than clips

n8n labeling progress workflow — n8n 기반 라벨링 진척 집계 및 Dooray 알림 워크플로우 n8n workflow aggregating labeling progress and posting Dooray alerts

3품질 관제 Agent로 확장Extension to a Quality-Monitoring Agent

Monitoring agent flow — 통계 탐지부터 멀티모달 진단, 사람 검토까지 이어지는 관제 흐름 Monitoring flow from statistical detection to multimodal diagnosis and human review

기존 문제점Problem

PoC 운영 중 녹화 기록과 방문객 지표 이상을 정기 점검할 체계 필요

Running the PoC showed a need to routinely check camera recordings and visitor-metric anomalies

담당 업무Responsibilities

규칙과 통계로 이상과 심각도를 판정하고 GPT-5.5는 원인 진단에만 적용
방문객 통계와 이동 궤적 이미지를 결합한 멀티모달 진단 흐름 설계
고위험 이상은 메일 알림과 사람 검토, 운영 데이터는 읽기 전용 조회

Decided anomalies and severity with rules and statistics, using GPT-5.5 only to diagnose causes
Designed a multimodal diagnosis combining visitor statistics with trajectory images
Sent high-risk anomalies to email review and read operational data read-only

업무 성과Achievements

실제 운영 데이터로 이상 탐지, 멀티모달 진단과 사람 검토 E2E 검증
사람 검토를 거쳐 7개 카메라의 계수선 또는 관심 영역 설정 조정조정 후 반복 동선에서 발생하던 비정상 계수의 감소 방향 확인

Validated detection, multimodal diagnosis and human review end to end on live data
Adjusted counting lines or ROIs on 7 cameras after reviewAbnormal counts from repeated movements declined after the change

count_inflation case on 3F_cam09 — IN/OUT과 고유 궤적의 불일치를 탐지하고 궤적 이미지로 반복 교차 원인을 검토Flags IN/OUT counts that disagree with unique tracks and reviews repeated crossings on the trajectory image

traffic_spike case on 1F_cam30 — 기준선 대비 방문객 급증을 탐지하고 궤적의 집중과 단절 패턴을 원인 후보로 분석Flags visitor surges against the baseline and analyses dense or broken tracks as likely causes

엘리베이터 내부 상황 분석 시스템 In-Elevator Situational Analysis System

핵심 역할Key role

AI 시스템 개발 주도 (데이터, 모델 학습, 판단 로직, 배포)Led AI system development (data, model training, decision logic, deployment)

협업하드웨어(팀 엔지니어 2명, 내부 IoT팀), E/V 제어(현대엘리베이터)Withhardware (2 team engineers, internal IoT team), E/V control (Hyundai Elevator)

1기술 PoC 검증Technical PoC Validation

업무 목표Objectives

AI 기반 엘리베이터 내부 상황 실시간 분석 시스템 개발
점유 상태, 반려견 합승 등 특이상황 자동 탐지 및 대응

Developed a real-time AI system for analyzing situations inside elevators
Automatically detect and respond to special cases such as cabin occupancy and pets boarding

담당 업무Responsibilities

기술 제휴 MOU 검토용 내부 상황 분석 PoC 설계
반려견 검출 및 점유율 추정 모델 구축

Designed the in-elevator situational-analysis PoC to support a partnership MOU
Built models for pet detection and cabin-occupancy estimation

업무 성과Achievements

3D detector와 VLM 결합 구조로 실시간 동작 가능성 검증RTX 6000 Ada 기준 약 3 FPS 실측
HDC랩스, HDC현대산업개발, 현대엘리베이터 기술 제휴 MOU 체결PoC 검증 결과를 3사 기술 제휴 검토의 기술적 근거로 활용HDC현산, 서울원 아이파크에 AI 승강기 도입

Verified real-time feasibility with a combined 3D-detector + VLM architecture~3 FPS measured on an RTX 6000 Ada
Reached a three-party MOU among HDC LABS, HDC Hyundai Development, and Hyundai ElevatorPoC results served as the technical basis for the three-party partnership reviewHDC Hyundai Development to deploy AI elevators at Seoul One IPARK

Elevator interior PoC — HDC랩스 사옥 엘리베이터 내부 PoC 영상 예시 PoC footage captured inside an elevator at HDC LABS headquarters

2엣지 환경 재설계와 데이터 전략Edge Redesign & Data Strategy

기존 문제점Problem

협력사의 10Hz 상태 송신 요구 등 실서비스 엣지 환경 제약 충족 필요
top-view 차폐 등 엘리베이터 특수 시점 대응 데이터 부족

Real-service edge constraints such as a partner's 10 Hz status-streaming requirement had to be met
Data was scarce for the elevator's special viewpoint, including top-view occlusion

담당 업무Responsibilities

엣지 기반 경량 단일 파이프라인으로 재설계
운영 시나리오 중심 판단 로직 최적화 및 CAN payload 출력 연동
도메인 특화 합성 데이터 생성 체계와 실환경 데이터 확보 및 정제

Redesigned the system into a lightweight, edge-based single-detector pipeline
Optimized scenario-driven decision logic and CAN-payload output integration
Built a domain-specific synthetic-data pipeline and collected/cleaned real-world data

업무 성과Achievements

Jetson에서 10Hz 상태 송신 조건 충족 및 사내 엘리베이터 2대 실연동전체 프로세스 10~13 FPS 실측, E/V 운행 및 도어 제어 검증
내부 7개 시나리오 평균 KPI 97.7% 달성으로 제품화 가능성 확인
도메인 특화 합성 데이터 생성 연구로 반려견 검출 성능 향상, 논문 1건 게재반려견 검출 mAP50-95 0.47 → 0.79합성 데이터 생성 자동화 (WACVW 2026)

Met the 10 Hz status-streaming requirement on Jetson and integrated two in-house elevators~10–13 FPS end-to-end; validated E/V operation and door control
97.7% average KPI across 7 internal scenarios, confirming productization readiness
Domain-specific synthetic-data-generation research improving pet detection, with 1 paper publishedPet-detection mAP50-95 0.47 → 0.79Automated synthetic data generation (WACVW 2026)

PoC architecture — 기술 검증용 PoC 아키텍처 예시 Example architecture used for technical PoC validation

3현장 배포 자동화Field Deployment Automation

기존 문제점Problem

코드 수정마다 현장 엘리베이터로 가서 USB로 수동 업데이트하는 운영 비효율
개발 PC와 현장 환경 차이, 버전 추적 부재로 안정적 배포 어려움

Every code change required visiting the elevator for a manual USB update
Environment gaps between dev PC and field, with no version tracking, made stable deployment hard

담당 업무Responsibilities

Jetson(ARM64) 환경의 모델 빌드 및 도커 기반 배포 파이프라인 구축
사무실 Jetson 기반 self-hosted runner로 네이티브 빌드 환경 구성
PT hash engine cache 도입으로 동일 PT 재빌드 생략

Built a model-build and Docker-based deployment pipeline for the Jetson (ARM64) environment
Configured a native build environment with an in-office Jetson self-hosted runner
Introduced a PT-hash engine cache to skip rebuilds for the same PT

업무 성과Achievements

수동 USB 업데이트에서 코드 변경 기반 자동 빌드 및 배포 구조로 전환사내 반영까지 약 2분

Shifted from manual USB updates to an automatic build-and-deploy flow triggered by code changes~2 min to in-house rollout

4연구 확장 및 IPResearch & IP

연구 계기Background

사내 사업개발팀의 추가 기술 개발 가능성 문의

Inquiry from the in-house business-development team on the feasibility of additional technical development

연구 성과Results

가능성 검토를 위한 후속 연구 진행
관련 특허 3건 발명자 등재

Conducted follow-up research to assess that feasibility
Named inventor on 3 related patents

arXiv

엣지 배포용 경량 RGB 행동 인식Lightweight RGB Action Recognition for Edge Deployment

Under Review

행동 인식 합성 데이터셋 증강Action-Recognition Synthetic Dataset Augmentation

지하주차장 화재 감지 보조 시스템 Underground Parking Fire Detection Assistance System

핵심 역할Key role

AI 시스템 개발 주도 (데이터, 모델 학습, 판단 구조)Led AI system development (data, model training, decision pipeline)

협업PoC(팀 엔지니어 2명), 하드웨어/현장 포팅(수호이미지), 플랫폼/알람(내부 플랫폼팀)WithPoC (2 team engineers), hardware/field porting (Suho Image), platform/alerts (internal platform team)

1기술 PoC 및 연구Technical PoC & Research

연구 필요성Motivation

잇따른 지하주차장 전기차 화재 발생으로 전용 화재 감지 시스템 요구
이상온도 조기 감지 및 자동 알림이 가능한 화재 감지 보조 시스템 구축 필요

Recurring EV fires in underground parking lots created demand for a dedicated detection system
An auxiliary system with early thermal-anomaly detection and automatic alerts was needed

담당 업무Responsibilities

지하주차장 CCTV 환경 특화 합성 데이터 생성
화재/연기 탐지 YOLO 모델 재학습 및 검증
YOLOv8s + VLM(Florence2) 기반 탐지 PoC 설계

Built underground-parking CCTV-specific synthetic data
Retrained and validated YOLO fire/smoke detectors
Designed a YOLOv8s + VLM(Florence2) detection PoC

업무 성과Achievements

합성 데이터 활용으로 화재/연기 탐지 정량 성능 향상F1 0.82 → 0.86, 연기 recall 0.70 → 0.83
연구 성과를 지식재산권으로 확보 — 논문 1건 게재, 특허 1건 등록YOLO-VLM 기반 실내 화재 감지 (ICLRW 2025)

Improved fire/smoke detection accuracy using synthetic dataF1 0.82 → 0.86, smoke recall 0.70 → 0.83
Secured intellectual property from the work — 1 paper published, 1 patent grantedYOLO-VLM-based indoor fire detection (ICLRW 2025)

Fire detection framework — ICLRW에 게재한 YOLO 및 VLM이 결합된 화재 감지 프레임워크 YOLO + VLM fire detection framework published at ICLRW

2현장 적용을 위한 재설계Redesign for Field Deployment

기존 문제점Problem

초기 VLM 중심 PoC 구조가 엣지 디바이스 제약으로 현장 적용에 한계

The initial VLM-centric PoC hit field-deployment limits under edge-device constraints

담당 업무Responsibilities

YOLOv8n + CLIP 경량 구조 + Hailo 듀얼칩으로 재설계
단순 모델 교체가 아닌 사후 검증(Detector → VLM) 판단 구조로 설계
외부 포팅 업체, 내부 플랫폼팀과 협업해 모니터링/알람 서비스 연동

Redesigned to a YOLOv8n + CLIP lightweight architecture on a dual-chip Hailo runtime
Designed a post-hoc verification (Detector → VLM) decision structure rather than a simple model swap
Connected monitoring/alert services with an external porting vendor and the internal platform team

업무 성과Achievements

엣지 디바이스 제약을 충족하는 현장 적용 가능 구조 확보

Secured a field-deployable structure that satisfies edge-device constraints

3실 적용 현황Field Deployment Status

담당 업무Responsibilities

화재 감지 보조 시스템 현장 시연 및 적용 작업
운영 중 모델 오탐 원인 분석 및 재학습 대응

Ran on-site demonstration and deployment work for the auxiliary fire detection system
Diagnosed model false-positive causes during operation and addressed them through retraining

업무 성과Achievements

광명센트럴아이파크 전기차 충전구역 실적용
반복 오탐 케이스를 재학습 데이터에 반영해 현장 대응 모델 개선운영 초기 대비 오탐 알람 약 88% 감소
현장 운영 데이터 기반 후속 고도화 연구로 논문 2건 추가 게재경량 초해상화 기술 검토 (ICCVW 2025)합성 데이터 생성 자동화 (WACVW 2026)

Deployed in production at Gwangmyeong Central IPARK's EV charging zone
Improved the field-response model by folding recurring false positives back into the training data~88% fewer false alarms compared with the initial operation period
Published 2 follow-up papers from advancement research on field-operation dataLightweight super-resolution study (ICCVW 2025)Automated synthetic data generation (WACVW 2026)

Field deployment example — 광명센트럴아이파크 AI 화재감지 보조 시스템 적용 현황 AI-assisted fire detection deployed at Gwangmyeong Central IPARK

지적재산권 확보 Intellectual Property Portfolio

업무 배경Background

자체 개발한 핵심 알고리즘과 시스템의 권리화
HDC 그룹의 AI 기술 자산 확보 및 경쟁력 강화

Patent prosecution for core algorithms and systems developed in-house
Build the HDC Group's AI technology assets and strengthen competitiveness

담당 업무Responsibilities

주요 프로젝트 결과물에 대한 청구항 설계
특허 사무소가 작성한 명세서 검토
우선심사 신청을 위한 기술 자료 정리 및 근거 자료 작성
국제 학회 논문 작성, 투고, 심사 대응

Drafted claim structures for the outputs of major projects
Reviewed patent specifications drafted by external patent attorneys
Compiled technical evidence and supporting documents for expedited examination requests
Wrote, submitted, and managed reviewer responses for international conference papers