dubai.bits-pilani.ac.in

이 이메일 도메인이 관측된 논문 4건

arXiv:2406.08775v2cs.CV공식 코드 · Papers with Code

ALINA: 고급 선 식별 및 표기 알고리즘

ALINA: Advanced Line Identification and Notation Algorithm

라벨은 지도 학습 알고리즘의 초석이다. 대부분의 시각 인식 방법은 완전 지도 학습을 사용하며, 객체 위치 지정을 위해 바운딩 박스 또는 픽셀 단위 분할을 사용한다. 크라우드소싱(crowd-sourcing)과 같은 전통적인 라벨링 방법은 비용, 데이터 프라이버시, 소요 시간, 대규모 데이터셋에서의 잠재적 오류로 인해 부담이 크다. 이러한 문제를 해결하기 위해, 서로 다른 카메라 시점과 가변적인 날씨 조건(맑음 및 흐림)으로 구성된 유도로(taxiway) 데이터셋 라벨링에 사용할 수 있는 새로운 주석(annotation) 프레임워크인 Advanced Line Identification and Notation Algorithm(ALINA)를 제안한다. 또한, 유도로 선 표시에 해당하는 픽셀을 결정하는 데 핵심적인 단계인 CIRCular threshoLd pixEl Discovery And Traversal(CIRCLEDAT) 알고리즘을 제안했다. 픽셀이 식별되면 ALINA는 프레임 상에 해당하는 픽셀 좌표 주석을 생성한다. 이 접근법을 사용하여 유도로 데이터셋 AssistTaxi의 60,249개 프레임에 라벨을 부여했다. 성능을 평가하기 위해, 에지 특징과 연결성을 기반으로 문맥 기반 에지 맵(context-based edge map, CBEM) 집합을 수동으로 생성했다. CBEM 집합으로 주석 라벨을 검증한 후 기록된 검출율은 98.45%로, 그 신뢰성과 효과를 입증한다.

arXiv:2609.05334v1cs.CV

자원 제약 농업 현장 조건에서 온디바이스 식물 병해 탐지를 위한 경량 비전 트랜스포머 압축

Lightweight Vision Transformer Compression for On-Device Plant Disease Detection in Resource-Constrained Agricultural Field Conditions

고추(Capsicum annuum)는 인도에서 경제적으로 가장 중요한 작물 중 하나이지만, 생산성은 전문가 개입 없이는 식별하기 어려운 병해로 지속적으로 위협받는다. 비전 트랜스포머(ViT)는 높은 분류 정확도를 달성했으나, 계산 부담이 커 자원이 제한된 장치에 배포하기 어렵다. 기존 압축 접근법은 일반적으로 가지치기, 양자화, 지식 증류를 각각 따로 다루어, 이를 결합했을 때의 잠재적 이점과 상호작용을 충분히 탐구하지 못했다. 우리는 2차 민감도 추정에 기반한 Hessian-Balanced Adaptive Block Pruning(H-BAC)을 양자화 및 어텐션 기반 지식 증류와 결합한 통합 비전 트랜스포머 압축 프레임워크를 제안한다. 각 압축 계열 내에서 가장 효과적인 구성을 체계적으로 찾기 위해, 각 기법을 통제된 ablation 연구를 통해 먼저 독립적으로 평가한 뒤, 성능이 가장 좋은 구성 요소를 실제 농업 제약에 맞춘 순차 배포 파이프라인에 통합한다. 고추 3클래스 village-split 데이터셋과 진정한 마을 간·기기 간 분포 외(OOD) 테스트 분할에서, 결과 압축 모델은 FP32 기준선 95.13% 정확도와 동등하거나 이를 초과하며, 모델 크기는 74–98% 감소한다. 완전히 통합된 압축 파이프라인은 네 가지 테스트 구성에서 95.13 ± 2.32% 정확도로 54.5배 크기 감소(327.42 MB에서 6.01 MB)를 달성한다. 직접 비교 결과, 이 데이터셋에서 가지치기나 증류 없이 동일한 최종 크기로 직접 학습한 student 모델은 동일한 6.01 MB INT8 크기에서 94.87%에 필적하는 정확도에 도달하며, H-BAC와 지식 증류가 계산 비용을 정당화하는 경우와 아직 그렇게 보이지 않는 경우를 보여준다.

arXiv:2609.03770v1cs.LG

OBER+: 성과 기반 교육에서의 연속성 인지 보고와 추적 가능한 지속적 개선

OBER+: Continuity-Aware Reporting and Traceable Continuous Improvement in Outcome-Based Education

성과 기반 교육(outcome-based education)을 실천하는 기관들은 학습 성과 달성도를 일상적으로 계산하지만, 교육과정 분석(curriculum analytics)에 관한 리뷰들은 이러한 계산이 의사결정에 어떻게 반영되는지에 대한 근거가 부족하다고 보고한다. 본 논문은 실제 운영 중인 기관 단위 달성도 플랫폼을 확장한 OBER+를 제시하며, 이는 측정된 미달 상태에서 평가된 시정 조치에 이르는 단계를 계산한다. 서로 연결된 다섯 단계는 다음과 같다. 과목의 여러 차례 운영(delivery)에 걸쳐 달성도를 누적하고, 미달 및 지속적 미달을 알리며, 규제 기관이 이미 사용하는 기준값(cutoff)에 따라 그 등급을 매기고, 근거가 주석으로 달린 실천 사례 목록(catalogue)에 대해 해당 결정을 기록하며, 변경 사항을 로그로 남기고, 이후 미달 수준의 변화를 정량화한다. 추가 규칙은 성과(outcome)의 연이은 진술문을 비교하여, 성과가 바뀐 시점을 가로질러 달성도가 하나의 시계열로 해석되는 일이 없도록 한다. 이 규칙들을 두 개의 실제 과목의 운영 기록에 적용하여 세 가지 결과를 얻었다. 첫째, 한 핵심 과목의 모든 성과가 연속된 운영 사이에 실질적으로 재정의되었고 주제 내용이 성과 번호 사이를 이동했으므로, 단순하게 해석하면 동일한 학습을 가리키지 않는 값들 사이에서 25포인트의 급락이 있었다고 보고했을 것이다. 둘째, 플랫폼이 문서화한 규칙으로 플랫폼의 수치를 다시 계산한 결과, 10개 중 6개가 반올림으로 설명되는 수준을 넘어 차이가 났으며, 그 양상은 이후 해당 기관에 보고된 결함을 식별해 냈다. 셋째, 세 번의 전환에서 나온 15개의 진술문 쌍 가운데 5개는 문자 단위로 동일했고, 동일하지 않은 10개 중 6개에서는 특정 번호가 붙은 성과가 번호가 다른 이전 성과와 가장 가까웠는데, 이 결과는 유사도의 순서에 기반하며 임계값이나 레이블링을 필요로 하지 않는다. 본 연구의 기여는 어떤 달성도 플랫폼에서도 구현할 수 있는 규칙으로 서술된 성과 기반 보고의 계산적 설계이며, 이 규칙들이 실제 기관 기록에서 무엇을 가시화하는지에 대한 증거를 함께 제시한다.