PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28183v1cs.CV

생체 인식 식별을 위한 심전도 신호 기반 대표 형태 히트맵

From ECG Signals to Representative-Morphology Heatmaps for Biometric Recognition

심전도(ECG)는 생체 인식(biometric recognition)을 지원하는 대상자 고유의 형태학적 특성을 포함하고 있으나, 이미지 기반 성능은 파형(waveform)이 어떻게 렌더링되는지에 따라 달라집니다. 본 논문에서는 ECGXtractor를 기반으로 변형한 결정론적 ECG-투-이미지 표현 방식인 대표 형태 히트맵(representative-morphology heatmaps)을 소개합니다. 정렬된 10개 박동으로 구성된 각 블록 내에서 블록 평균에 가장 가까운 5개 박동을 평균화하여 400 × L 행렬로 구성한 뒤, 기존의 트레이스(trace) 형태 또는 심장 시간-리드(cardiac-time-by-lead) 밀집 히트맵으로 렌더링합니다. 두 표현 모두 동일한 생리학적 샘플을 포함하므로, 이들의 비교를 통해 렌더링 방식의 효과만을 분리하여 분석할 수 있습니다. 본 연구에서는 PTB, ECG-ID, MIMIC-IV-ECG-DEMO 데이터셋에서 검증(verification) 및 닫힌 집합 식별(closed-set identification) 성능을 평가(evaluation)합니다. ZACH-ViT를 포함한 5개의 소형 모델을 처음부터 학습(training from scratch)시키는 한편, ImageNet 사전학습(pre-training)된 6개의 CNN 및 트랜스포머(transformer) 백본을 통해 모델 규모와 시각적 전이 성능을 평가합니다. 15개의 모든 소형 모델-데이터셋 비교에서 히트맵은 FNMR 동작점 및 두 식별 순위 모두를 향상시켰으며, 14개 비교에서는 EER을 개선했습니다. 짝을 이룬 실험 전반에서 EER은 평균 9.59%p 감소했고 Rank-1은 24.69%p 증가했습니다. ConvNeXt-Tiny는 PTB에서 2.43%, ECG-ID에서 5.79%의 EER을 달성한 반면, DeiT-Base는 MIMIC-DEMO에서 14.92%를 기록했습니다. ImageNet 초기화(initialization)는 두 다중 리드(multilead) 데이터셋에는 분명한 이점을 주었으나 ECG-ID에서는 복합적인 영향을 미쳤으며, 성능이 모델 크기에 따라 단조롭게 증가하지는 않았습니다. 최고의 히트맵 시스템들은 PTB와 ECG-ID에서 가장 강력한 신호 도메인 EER에 근접했으며, DeiT-Base는 MIMIC-DEMO에서 평가된 성능 중 가장 높은 성능을 보였습니다. 리드-채널 절제 연구(ablation study)는 유용한 채널 조합이 집단(cohort)과 생체 인식 작업에 따라 달라진다는 점을 추가로 보여줍니다. 전반적으로 대표 형태 히트맵은 심전도 검증 및 식별을 위한 효과적인 이미지 표현을 제공합니다.

arXiv:2606.17436v1cs.CV

UoU: 대규모 비지도 학습에 기반한 범용 지문 기초 모델

UoU: A Universal Fingerprint Foundation Model Based on Large-Scale Unsupervised Learning

지문 인식은 여전히 작업 특화 파이프라인이 주도하는 분야로, 향상, 구조 분석, 정렬, 매칭이 개별적으로 최적화됩니다. 제한된 환경에서는 효과적이지만, 이러한 설계는 센서, 품질, 다운스트림(downstream) 애플리케이션 전반에 걸친 표현(representation) 재사용을 제한합니다. 따라서 우리는 UoU를 제시합니다. 이는 "대규모 비지도 학습에 기반한 범용 지문 기초 모델"의 약자로, 지문 특징 추출을 도메인 특화 기초 모델 문제로 재정의합니다. UoU는 이미지 복원, 구조적 필드, 시맨틱 토큰(semantic tokens), 포인트 레벨 생체 인식 엔티티(entities), 그리고 압축된 글로벌 디스크립터(descriptors)를 아우르는 다중 레벨 표현 계층 구조를 중심으로 구성됩니다. 학습 방식은 정밀한 주석에 대한 지도 학습 콜드 스타트(cold start), 대규모 약한 지도(weakly supervised) 정제, 대규모 비지도 통합을 결합하며, 대규모 학습 과정에서 후자의 두 단계를 반복하여 약한 지도는 시맨틱(semantic) 범위를 확장하고 비지도 학습은 대응 관계(correspondences), 불변성(invariances), 표현(representation) 기하학을 안정화합니다. 지문 이미지를 일반적인 텍스처(texture)로 취급하는 대신, UoU는 방향 흐름(orientation flow), 주기적 융선(ridge) 패턴, 희소 생체 인식 엔티티(entities), 공간적 등변성(equivariance)을 포함하는 도메인 특화 대칭성과 중간 구조를 활용합니다. 이 프레임워크는 의도적으로 아키텍처에 구애받지 않도록(architecture-agnostic) 설계되었습니다. 본 연구는 초기 트랜스포머(transformer) 기반 구조적 예측(structured-prediction) 구현(instantiation)을 포함하지만, 더 넓은 설계는 멀티태스크 학습, 확장 가능한 모델 구성, 그리고 매칭, 정렬, 향상, 정합(registration) 및 관련 지문 애플리케이션을 위한 다운스트림(downstream) 특화를 지원합니다. 본 논문은 UoU의 기술적 동기, 시스템 설계, 검증 프로토콜을 제시하며, 기준선(baseline) 구현의 일부는 https://github.com/XiongjunGuan/UoU에서 공개적으로 제공됩니다.