barc.gov.in

이 이메일 도메인이 관측된 논문 2건

arXiv:2512.18046v3cs.CV

YolovN-CBi: 소형 무인 항공기(UAV)의 실시간 검출을 위한 경량화되고 효율적인 아키텍처

YolovN-CBi: A Lightweight and Efficient Architecture for Real-Time Detection of Small UAVs

흔히 드론으로 알려진 무인 항공기(UAV)는 민간 및 국방 환경에서 증가하는 위험을 초래하고 있어, 정확하고 실시간으로 작동하는 드론 검출 시스템이 요구됩니다. 그러나 드론은 크기가 작고 움직임이 빠르며 시각적 대비가 낮아 검출하기 어렵습니다. 본 논문에서는 소형 객체 검출에 대한 민감도를 향상시키기 위해 Convolutional Block Attention Module(CBAM)과 Bidirectional Feature Pyramid Network(BiFPN)을 통합한 YolovN의 수정된 아키텍처인 YolovN-CBi를 제안합니다. 다양한 비행 물체로 구성된 28,000장의 엄선된 학습(training) 데이터셋(dataset)을 구축하였으며, 매우 작은 드론 객체로 구성된 2,500장의 자체 테스트 데이터셋을 수집했습니다. 제안된 아키텍처는 자체 테스트 데이터셋을 포함한 4개의 벤치마크 데이터셋에서 평가(evaluation)되었습니다. 기준선(baseline)인 Yolov5와 제안된 Yolov5-CBi 아키텍처는 소형 객체 검출을 위한 속도-정확도 트레이드오프에서 Yolov8 및 Yolov12를 포함한 최신 YOLO 버전들보다 우수한 성능을 보였습니다. 또한 CBAM과 BiFPN의 배치 및 활용 방식을 달리한 제안된 CBi 아키텍처의 다른 네 가지 변형도 제안 및 평가되었습니다. 이러한 변형들은 Yolov5m-CBi 교사 모델(teacher)과 Yolov5n-CBi 학생 모델(student)을 활용하는 지식 증류(knowledge distillation) 기법을 통해 엣지 배포(edge deployment)에 적합하도록 추가로 증류되었습니다. 지식 증류된 모델은 0.6573의 [email omitted]:0.9를 달성하여 교사 모델의 점수 0.6171 대비 6.51% 향상을 보여주었으며, 증류 과정의 효과성을 입증했습니다. 증류된 모델은 기준선 모델보다 82.9% 더 빨라 실시간 드론 검출에 더욱 적합합니다. 이러한 연구 결과는 제안된 CBi 아키텍처와 증류된 경량 모델이 소형 UAV의 효율적이고 정확한 실시간 검출을 발전시키는 데 효과적임을 강조합니다.

arXiv:2608.25862v2cs.CV

늦은 학습, 빠른 유도: 공정한 얼굴 생성을 위한 타임스텝 분리 의미론적 가이던스

Learning Late, Guiding Early: Timestep-Decoupled Semantic Guidance for Fair Face Generation

합성 얼굴 생성에서의 인구통계학적 불균형은 다운스트림 얼굴 인식 시스템으로 전파될 수 있으므로, 확산 모델(diffusion model)을 데이터 생성에 사용할 때 공정성은 중요한 고려 사항이 됩니다. 기존의 공정성을 고려한 생성 접근법들은 흔히 모델 재학습이나 아키텍처 수정, 또는 역방향 확산 과정 전반에 걸친 반복적인 가이던스를 요구합니다. 본 연구에서는 역방향 노이즈 제거 과정 중 1회성(one-shot) 개입을 통해 인구통계학적 가이던스를 수행하는 추론 시점 프레임워크인 Semantic Boundary Predictor(SBP)를 제안합니다. 제안하는 접근법은 서로 다른 확산 타임스텝(timestep)에서의 잠재 표현이 뚜렷하게 구별되는 의미론적 역할을 한다는 관찰에 기반을 둡니다. 즉, 후반 단계의 잠재 표현은 더 강력한 인구통계학적 분리도를 제공하는 반면, 초기 단계의 잠재 표현은 의미론적 개입을 위한 더 큰 유연성을 제공합니다. SBP는 후반 단계 잠재 표현으로부터 선형 의미 경계를 학습하는 동시에 이를 초기 노이즈 잠재 표현에 단 한 번만 적용하여, 나머지 역방향 노이즈 제거 과정이 변경 없이 진행되도록 함으로써 이러한 타임스텝 분리를 활용합니다. 이 방법은 기반이 되는 잠재 확산 모델(Latent Diffusion Model)의 재학습이나 미세조정을 필요로 하지 않으며, 외부의 균형 잡힌 데이터셋 없이도 작동합니다. CelebA-HQ에서의 실험을 통해 인구통계학적 그룹 전반에서 인지적 이미지 품질을 유지하면서도 성별에서 98%, 이진 인종에서 95%, 4개 클래스 인종에서 15%의 공정성 격차를 줄여 인구통계학적 공정성을 대폭 개선함을 입증했습니다. 1회성 추론 전략과 모델에 구애받지 않는(model-agnostic) 설계 덕분에 SBP는 계산 오버헤드를 거의 유발하지 않으며 기존의 사전학습된 잠재 확산 모델에 손쉽게 통합될 수 있습니다.