PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13433v1eess.SP

고해상도 서브 도 단위 DOA 추정을 위한 시그모이드 레이블 기반 CNN-트랜스포머

CNN-Transformer with Sigmoid Label for High-Resolution Sub-Degree DOA Estimation

본 논문에서는 딥러닝(DL) 기반 도착각(DOA) 추정의 그리드 양자화(quantization) 오류 문제를 다룹니다. 분류(classification) 기반 DOA 기법은 연속적인 각도 공간을 그리드로 이산화하므로, 피크 기반 판독 시 정확도와 해상도가 그리드 간격 및 레이블 피크의 폭에 의해 제한됩니다. 이러한 문제를 해결하기 위해, 신호원의 DOA를 각도 이동된 단조 시그모이드(sigmoid) 함수의 합으로 인코딩하는 시그모이드 레이블을 제안합니다. 시그모이드 레이블로 학습된 CNN-트랜스포머(Transformer) 네트워크의 출력을 미분하면 신호원 DOA 위치에서 날카로운 스펙트럼 피크가 생성됩니다. 적절히 세분화된 0.25도 그리드 간격과 결합하여, 제안된 시그모이드 레이블 기반 CNN-트랜스포머는 1도 미만의 서브 도(sub-degree) 정확도와 1도 해상도를 달성하여 그리드 양자화 오차의 한계를 극복합니다. 통합된 CNN-트랜스포머 백본 하에서 제안하는 시그모이드 레이블을 가우시안 레이블, 0-1 하드 레이블 및 이진 교차 엔트로피(BCE) 기준선(baseline)과 비교합니다. 수치 실험 결과는 시그모이드 레이블이 다른 레이블들에 비해 가장 높은 정확도와 우수한 해상도를 달성함을 입증합니다.

arXiv:2607.09809v1eess.IV

망막 OCT 분류를 위한 보정된 하이브리드 CNN-트랜스포머

Calibrated Hybrid CNN-Transformer for Retinal OCT Classification

망막 광학 간섭 단층 촬영(OCT) 분류를 위한 딥 모델들은 높은 정확도를 보고하지만, 해당 신뢰도(confidence)를 믿을 수 있는지는 거의 보고하지 않는다. 이는 잘못되었지만 확신에 찬 판독이 시력 보존 치료를 지연시킬 수 있다는 점에서 중요한 문제이다. 우리는 하이브리드 합성곱-트랜스포머 인코더에 그래디언트 부스팅(XGBoost) 분류 헤드를 결합하고, 신뢰도 보정, 분포 외(OOD) 거부, 예측별 불확실성 플래깅으로 구성된 세 가지 임상 안전성 층을 적용한다. 4클래스 OCT(84,495개 스캔)에서 모델은 95.4% 정확도를 달성하는 동시에 보정 오류를 12배 줄여(기대 보정 오류, ECE = 0.0024), 보고되는 신뢰도가 실제 정확도를 충실히 반영한다. 우리가 아는 한, 이는 세 가지 안전성 메커니즘 모두를 공동으로 검증한 최초의 OCT 분류기이며, 공개 가중치와 재현 가능한 다중 시드 평가를 함께 제공한다.

arXiv:2502.02097v4cs.CV공식 코드 · Papers with Code

VerteNet -- 측면 척추 DXA 영상에서 정확한 척추 랜드마크 위치 추정을 위한 다중 컨텍스트 하이브리드 CNN 트랜스포머

VerteNet -- A Multi-Context Hybrid CNN Transformer for Accurate Vertebral Landmark Localization in Lateral Spine DXA Images

이중에너지 X선 흡수계측법(Dual-Energy X-ray Absorptiometry, DXA) 기반 측면 척추 영상에서의 척추 랜드마크 위치 추정(Vertebral Landmarks Localization, VLL)은 척추 정렬 평가, 척추 골절 평가(Vertebral Fracture Assessment), 복부 대동맥 석회화(Abdominal Aortic Calcification) 정량화를 위한 추간 가이드 배치에 핵심적인 역할을 한다. 측면 척추 DXA 스캔은 비용 절감 및 낮은 방사선 노출이라는 장점을 제공하지만, 낮은 신호 대 잡음비와 영상 아티팩트로 인해 분석이 어렵다. 인공지능(AI)은 VLL의 정밀도와 정확도를 향상시키는 유망한 접근법으로 주목받고 있다. 본 연구에서는 세밀한 지역적 세부 정보와 광범위한 컨텍스트 정보를 모두 포착하기 위해 이중 해상도 어텐션 메커니즘을 적용한 새로운 아키텍처를 제안한다. 제안된 방법은 이중 해상도 자기 어텐션(self-attention) 및 교차 어텐션(cross-attention) 메커니즘을 통해 스킵 연결(skip connection)과 디코더 레이어를 활용함으로써 특징 통합을 강화한다. 이러한 설계는 모델이 복잡한 패턴을 학습하는 능력을 향상시켜 지역적 및 전역적 컨텍스트 인식을 유지하면서 정확한 척추 코너 위치 추정을 가능하게 한다. 제안된 프레임워크를 다수의 장비로 획득한 DXA 측면 척추 영상(LSI)에서 평가한 결과, VLL에서 최신 최첨단 아키텍처를 능가하여 정규화 평균 오차 4.92, 정규화 중앙값 오차 2.35를 달성하였다. 제안된 프레임워크인 VerteNet은 다양한 촬영 시스템의 DXA LSI 영상에서 높은 정확도의 VLL을 가능하게 하며, 세밀한 지역적 세부 정보와 광범위한 컨텍스트 정보를 모두 포착하는 향상된 능력 덕분에 낮은 신호 대 잡음비에 대한 강한 강건성을 보인다.