재현 가능한 학습에서 경량 모델까지
DCASE Baseline 재현과 BiSELD 코드 이식을 바탕으로, ResMamba 계열 모델의 학습·튜닝·경량화를 이어갔습니다.
기록 기간2025.04–2026.09
해결할 문제
서로 다른 실행 환경과 학습 코드를 정리하고, 인식 성능과 계산 비용을 함께 비교할 수 있는 실험 체계가 필요했습니다.
수행한 작업
- DCASE SELD Baseline을 재현하고, BiSELD의 TensorFlow/Keras 코드를 PyTorch로 이식했습니다. 설정·로깅을 모듈화하고 다중 GPU 학습을 DDP로 전환했습니다.
- Conformer·BiMamba·CST-Former 구조를 구현·비교하고, Optuna 튜닝과 Depthwise convolution을 적용해 성능과 연산량의 균형을 검토했습니다.
- HDF5 데이터 로딩, AMP, GPU 전처리와 모델 내부 정규화를 적용했습니다. MLflow 실험 추적을 연결하고 학습·추론 경로를 실행 환경에 맞게 정리했습니다.
결과와 적용 범위
ResMambaSELD 릴리즈와 BiSELD 학습 코드 개선을 완료했습니다. CPU·GPU 환경에서 모델별 정확도, 메모리 사용량과 처리 시간을 비교하고 실시간 추론으로 이어지는 실행 경로를 검증했습니다.