PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.12825v2cs.CV

SCDM: 차분 추론 기반 공간-맥락 분리 Mamba를 활용한 효율적 이미지 분류

SCDM: Spatial-Contextual Disentanglement Mamba via Differential Inference for Efficient Image Classification

상태 공간 모델(SSM), 특히 VMamba는 의료 영상 분석에서 장기 의존성을 모델링하는 효율적인 대안으로 부상했다. 그러나 시각적으로 유사한 해부학적 배경과 미묘한 병리학적 특징을 구별하는 것은 여전히 중요한 과제로 남아 있다. 기존 SSM 아키텍처는 종종 얽힌 표현을 학습하며, 정상 해부학과 질병 특이적 신호를 분리하는 명시적 메커니즘이 부족하다. 이 한계를 해결하기 위해, 선택적 표현 분리를 위해 설계된 비대칭 이중 분기 아키텍처인 Spatial-Contextual Differential Mamba(SCDM)를 제안한다. SCDM은 판별적 특징을 추출하는 Positive Branch와 정상 해부학적 맥락을 적극적으로 모델링하고 억제하는 Negative Branch를 도입한다. 이 분리는 유사성 기반 반발 게이트와 차분 추론 규칙을 통해 달성되며, 추가 분기 레이블 없이 또는 모델 용량을 늘리지 않고도 경쟁적 특징 학습을 촉진한다. RSNA Pneumonia 데이터셋에서 평가한 결과, SCDM은 표준 VMamba 및 비전-트랜스포머 기준선 대비 현저히 적은 파라미터(29.4M)와 FLOPs(1.44G)로 경쟁력 있는 분류 성능(AUC 0.858)을 달성한다. 또한 활성화 분석은 차분 메커니즘이 높은 정밀도의 지역화를 산출하며, 무관한 해부학적 방해 요소를 억제함으로써 병변을 효과적으로 분리함을 보여준다.