svnit.ac.in

이 이메일 도메인이 관측된 논문 1건

arXiv:2609.05070v1cs.CV

MultiAttenGastro: 위장관 내시경 분류를 위한 다차원 어텐션 증강

MultiAttenGastro: Multi-Dimensional Attention Augmentation for Gastrointestinal Endoscopy Classification

자동화된 위장관(GI) 내시경 분류는 종종 자연 이미지 사전학습(pretraining)과 큰 차이를 보이는 다양한 모달리티와 클래스 분포 전반에 걸쳐 일반화할 수 있는 모델을 필요로 합니다. 본 논문에서는 병렬 1차원 채널, 2차원 공간, 3차원 문맥 헤드를 갖춘 플러그 앤 플레이 방식의 어텐션(attention) 프레임워크인 MultiAttenGastro를 제안하고, 5개의 공개 GI 데이터셋(dataset)에서 8개의 CNN 및 트랜스포머(transformer) 백본을 대상으로 최초의 체계적인 교차 데이터셋 평가(80회의 백본-데이터셋 실행)를 제시합니다. 연구 결과 어텐션의 효과는 보편적이지 않으며 ImageNet 피처와 타깃 분포 간의 표현 격차(representational gap)를 따르는 것으로 나타났습니다. 즉, MultiAttenGastro는 Kvasir-Capsule(14개 클래스 WCE, 큰 격차, 최고 매크로 F1 98.33%)에서 8개 백본 중 6개를 향상시켰으나, 격차가 작은 Kvasir-v2 벤치마크에서는 일관되게 부정적인 결과(0/8)를 보였고, 중간 정도의 격차를 가진 데이터셋에서는 엇갈린 결과를 보였습니다. 가장 효과가 컸던 사례(Kvasir-Capsule, ConvNeXt-Tiny)에 대한 5개 시드(seed) 아블레이션 분석 결과, 이러한 향상은 방향성 측면에서는 일관되지만 통계적으로 결정적이지는 않았으며(대응표본 $t$ 검정: $p=0.47$, 윌콕슨 검정: $p=0.63$), 개별 어텐션 헤드는 단독으로는 균일하게 유익하지 않고 이들의 조합만이 긍정적인 평균 효과를 내는 것으로 나타났습니다. 중심화 커널 정렬(CKA) 분석은 이 패턴을 표현 중복성(representational redundancy)과 연결짓습니다. 도메인 격차가 클 때 낮은 헤드 간 CKA는 프레임워크의 유일하게 일관된 성능 향상과 일치하는 반면, 격차가 작을 때의 높은 중복성은 성능 저하와 일치합니다. 우리는 MultiAttenGastro가 엄격하게 우월한 아키텍처적 선택이라는 주장보다는, 다차원 어텐션이 GI 내시경 분류에 언제, 왜 도움이 되는지에 대한 증거로서 유의하지 않은 차이를 포함한 이러한 결과를 보고합니다.