PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.10137v2cs.CV

다중 스펙트럼 시맨틱 분할을 위한 매끄러운 어텐션 기반 특징 융합 다중 인코더 ConvNeXt 네트워크

Multi-encoder ConvNeXt Network with Smooth Attentional Feature Fusion for Multispectral Semantic Segmentation

본 연구에서는 다중 스펙트럼 영상에서의 토지 피복 분할(land cover segmentation)을 위한 다중 브랜치 인코더-디코더 아키텍처인 MeCSAFNet을 제안합니다. 이 모델은 이중 ConvNeXt 인코더를 통해 가시광선 및 비가시광선 채널을 개별적으로 처리하며, 이후 공간 정보를 재구성하는 개별 디코더가 이어집니다. 전용 융합 디코더는 다중 스케일에서 중간 특징을 통합하여 세밀한 공간 단서와 고수준 분광 표현을 결합합니다. 특징 융합은 CBAM 어텐션을 통해 더욱 향상되며, ASAU 활성화 함수는 안정적이고 효율적인 최적화에 기여합니다. 이 모델은 RGB 및 NIR 밴드를 결합한 4채널(4c) 입력과 NDVI 및 NDWI 지수를 포함하는 6채널(6c) 입력을 비롯한 다양한 분광 구성을 처리하도록 설계되었습니다. Five-Billion-Pixels(FBP) 및 Potsdam 데이터셋에 대한 실험은 상당한 성능 향상을 입증합니다. FBP에서 MeCSAFNet-base(6c)는 mIoU 기준으로 U-Net(4c)보다 +19.21%, U-Net(6c)보다 +14.72%, SegFormer(4c)보다 +19.62%, SegFormer(6c)보다 +14.74% 뛰어난 성능을 보입니다. Potsdam에서 MeCSAFNet-large(4c)는 DeepLabV3+(4c) 대비 +6.48%, DeepLabV3+(6c) 대비 +5.85%, SegFormer(4c) 대비 +9.11%, SegFormer(6c) 대비 +4.80%의 mIoU 향상을 달성합니다. 또한 이 모델은 여러 최신 SOTA(state-of-the-art) 접근 방식 대비 일관된 향상을 보입니다. 아울러 MeCSAFNet의 경량화 변형 모델들은 더 짧은 학습 시간과 감소된 추론 비용으로 주목할 만한 성능을 제공하여 자원 제약 환경에서의 배포를 지원합니다. 모델 코드는 https://github.com/Leo-Thomas/mecsafnet 에서 확인할 수 있습니다.

arXiv:2606.11710v1cs.CV

ERN-Net: 문서 이진화를 위한 진화적 추론 노드 네트워크

ERN-Net : Evolving Reason Node-Net for Document Binarization

본 논문은 효율적인 문서 이미지 이진화(document image binarization)를 위한 ERN-Net, 즉 진화적 추론 노드 네트워크(Evolving Reason Node-Net)를 제안합니다. ERN-Net은 진화적 추론 노드와 멀티스케일 추론(multi-scale reasoning)을 통해 희미한 획, 깨진 문자, 잡음이 있는 배경과 같은 열화 민감 영역을 향상시킵니다. 또한 ResNet-101, ConvNeXt-Tiny, ConvNeXt-Base를 비교한 결과, ConvNeXt-Tiny가 정확도와 메모리 사용량 측면에서 가장 실용적인 트레이드오프를 제공함을 확인했습니다. 더불어 DIBCO 기반 사전학습(pretraining)은 모델 메모리 사용량을 늘리지 않으면서 이진화 성능을 향상시키며, 추가로 약 1.5시간의 학습 시간만을 필요로 합니다. DIBCO 스타일 벤치마크(benchmark)에 대한 실험 결과, ERN-Net은 저데이터 및 저메모리 환경에서 효과적임을 보여줍니다.