PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.19877v1cs.CV

약지도 볼륨 분할을 위한 강건한 활성화 맵 보정: 시간적 일관성이라는 공짜 점심

Robust Activation Map Rectification for Weakly Supervised Volumetric Segmentation: Temporal Coherence as a Free Lunch

약지도 분할은 목표 영역을 초기에 국한화하기 위해 클래스 활성화 맵(CAM)에 크게 의존한다. 그러나 CAM은 종종 노이즈가 많고 치명적 실패에 취약하다. 기존 해결책은 보통 추가 학습 단계나 프로토타입 학습을 도입하여 계산 비용을 늘리고 강건성을 저하시킨다. 본 논문에서는 볼륨 데이터의 시간적·구조적 일관성을 공짜 점심으로 활용하여 신뢰할 수 없는 CAM을 보정하는, 학습 없이(training-free) 프로토타입 없이(prototype-free) 동작하는 프레임워크를 제안한다. 우리 접근법은 두 가지 핵심 구성 요소로 이루어진다. 첫째, 노이즈를 억제하고 일관된 의미 신호를 증폭하는 분산 감소 활성화 집계(Variance-Reduced Activation Aggregation, VRAA)를 도입한다. CAM을 고차원 랜덤 벡터로 모델링하고 집계가 입증 가능한 분산 감소를 가져온다는 이론적 근거를 제시한다. 둘째, 양방향 극단값 검사를 통해 비현실적인 활성화를 탐지·보정하는 양방향 극단값 보정(Bidirectional Extremity Rectification, BER) 메커니즘을 설계하여, 추가 파라미터 학습 없이 극단값 실패를 효과적으로 완화한다. 제안 방법은 모델에 구애받지 않으며(model-agnostic) 기존 파이프라인에 원활하게 통합할 수 있다. 여러 공개 벤치마크에 대한 광범위한 실험에서 최신 약지도 방법 대비 Dice 최대 20%, mIoU 최대 40% 향상과 추론 시간 5배 이상 단축을 포함한 유의미한 개선을 보여준다. 이 결과는 일관성을 암묵적 귀납적 바이어스(implicit inductive bias)로 활용하는 것이 약지도 볼륨 분할을 안정화하는 원칙적이고 효율적인 접근임을 시사한다. 코드는 공개 예정이다.

arXiv:2606.20250v1cs.CV

약한 지도 조직병리 분할을 위한 단일 단계 계층적 보정

Single-Stage Hierarchical Rectification for Weakly Supervised Histopathology Segmentation

계산 병리학의 기존 약한 지도 시맨틱 분할(WSSS) 방법들은 클래스 활성화 맵(CAM) 생성, 오프라인 의사 마스크(pseudo-mask) 정제, 완전 지도 재학습으로 구성된 다단계 패러다임에 의존합니다. 확립된 방식이지만, 이 비결합(decoupled) 접근법은 근본적인 한계를 가집니다. 다단계 프로세스는 높은 계산 학습 비용을 초래할 뿐만 아니라 오류 전파 문제도 겪습니다. 얕은 CNN 레이어의 국부적 텍스처 편향은 거짓 양성 인공물을 생성하는데, 후속 정제 단계에서 이를 수정하지 못하는 경우가 많습니다. 우리는 간단하면서도 매우 효과적인 접근법을 통해 이러한 지속적인 과제를 해결하기 위해 단일 단계 계층적 보정(SSHR) 프레임워크를 제안합니다. 사후에 CAM을 수동적으로 정제하는 대신, 본 방법은 순전파(forward pass) 도중 중간 특징(feature) 표현을 능동적으로 정화합니다. 우리는 얕은 레이어의 국부적 이상치를 필터링하기 위해 깊은 전역 시맨틱 컨텍스트를 활용하는 계층적 특징(feature) 보정 모듈(HFRM)을 도입합니다. 이 메커니즘은 단일 학습 루프(training loop) 내에서 직접 고충실도 활성화 맵을 생성합니다. LUAD-HistoSeg 및 BCSS 데이터셋에 대한 실험 결과, SSHR이 최신(SOTA) 다단계 방법보다 우수한 성능을 보임을 입증했습니다. 또한, SSHR은 학습 시간을 2배에서 5배 단축합니다. 이러한 효율성은 계산 오버헤드를 최소화하고 대규모 조직병리 워크플로우의 임상 전환을 가속화합니다. 코드는 https://github.com/trongduc-nguyen/SSHR 에서 확인할 수 있습니다.