의약품 잔류물의 신속하고 신뢰성 있는 식별은 공중보건을 보호하고 식품 안전을 보장하며 실용적인 라만(Raman) 기반 스크리닝을 가능하게 하는 데 중요하다. 본 연구에서는 심층 스펙트럼 특징 추출, 생성 모델, 전통적인 머신러닝 분류기를 결합한 하이브리드 라만 분광법 프레임워크인 HyMLRaman을 제안하여 아목시실린(amoxicillin), 클로람페니콜(chloramphenicol), 시프로플록사신(ciprofloxacin), 테트라사이클린(tetracycline), 이부프로펜(ibuprofen), 파라세타몰(paracetamol)을 포함한 6종의 의약품 화합물을 식별한다. 라만 스펙트럼은 스펙트럼 이미지로 변환되어 여러 심층 신경망 백본(backbone)으로 인코딩되며, 이 중 EfficientNet-B3가 가장 효과적인 표현을 제공한다. 이렇게 얻어진 1536차원 임베딩은 SVM, KNN, 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest), XGBoost, ANN을 포함한 다운스트림 분류기를 계층화 10-폴드 교차 검증(stratified 10-fold cross-validation) 방식으로 학습시키는 데 사용된다. 하이브리드 EfficientNet-B3-SVM 구성은 96.31%의 정확도와 96.36%의 매크로-F1(macro-F1) 점수를 달성하여 가장 우수한 기준선 성능을 보이며, 단독 CNN 기준선을 능가한다. 제한된 데이터 조건을 해결하기 위해, PCA로 차원을 축소한 EfficientNet-B3 잠재 공간(latent space)에서 DDPM 기반 특징 증강이라는 생성 모델을 도입한다. 저데이터(low-data) 어블레이션(ablation) 결과는 DDPM 증강이 선택적인 이점을 제공하며, 특히 학습 데이터 비율이 줄어든 상황에서 KNN에 효과적이지만 그 효과는 분류기에 따라 달라짐을 보여준다. 마지막으로, 애플리케이션 수준의 라만 의약품 분석기(Raman Pharmaceutical Analyzer)는 학습된 모델을 대화형 라만 분석 워크플로우에 통합할 수 있음을 보여준다. 이러한 결과는 HyMLRaman이 신속한 라만 기반 의약품 스크리닝을 위한 실용적이고 해석 가능한 방법을 제공함을 시사한다.
지능형 포렌식 감시 시스템에서 공공 및 사설 환경에 CCTV 카메라 배치가 증가함에 따라, 감시 영상을 통한 범죄자 식별은 중요한 연구 분야로 부상하고 있다. 그러나 낮은 이미지 해상도, 조명 변화, 모션 블러, 자세 변화, 얼굴 가림(occlusion), 배경 혼잡 등으로 인해 감시 기반 얼굴 인식은 여전히 매우 어려운 과제로 남아 있다. 이러한 한계를 해결하기 위해 본 논문은 감시 영상에서의 정밀 범죄자 식별을 위한 어텐션 기반 EfficientNet(AG-EfficientNet) 프레임워크를 제안한다. 제안 프레임워크는 열화된 감시 환경에서 판별적 얼굴 특징 학습을 강화하기 위해 EfficientNet-B0와 Convolutional Block Attention Module(CBAM)을 통합한다. 또한 지역적 텍스처 정보와 고수준 의미적 신원 표현을 모두 보존하기 위한 다중 스케일 감시 특징 융합 전략을 도입한다. 강인한 범죄자 신원 판별을 위해 클래스 간 분리성과 클래스 내 밀집도를 향상시키는 소프트맥스-트리플렛(Softmax-Triplet) 하이브리드 최적화 메커니즘도 추가로 적용한다. 제안 프레임워크는 Labeled Faces in the Wild(LFW) 및 SCFace 데이터셋을 사용하여 실험적으로 평가되었다. 실험 결과, 제안한 AG-EfficientNet 프레임워크는 식별 정확도 98.2%, 정밀도 97.9%, 재현율 97.6%, F1-Score 97.7%, ROC-AUC 0.99를 달성하여 AlexNet, VGG16, ResNet50, MobileNetV2, 표준 EfficientNet-B0 등 기존 심층 학습 아키텍처를 능가하는 우수한 감시 인식 성능을 보였다. 나아가 Grad-CAM 시각화 및 ablation 분석을 통해 제안된 어텐션 기반 특징 학습 전략의 효과가 검증되었다.
9개의 경량 CNN 모델 패키지를 CIFAR-10, CIFAR-100, Tiny ImageNet에서 동일한 다운스트림 프로토콜로 비교한 결과, 최신 설계가 보편적 성능 향상을 제공하지 않음을 확인했다. EfficientNet-B0는 모든 정확도-자원 파레토 프론티어에 속하는 가장 일관된 중간 예산 옵션으로, MobileNetV3-Small은 더 많은 파라미터와 GMACs를 사용하는 MobileNetV4-Conv-S보다 높은 정확도와 빠른 CPU 추론 속도를 보였으며, GMACs만으로는 실제 지연 시간을 예측할 수 없음을 보였다.
인공지능은 영상 데이터를 통한 작물 피해 평가를 위한 실용적인 프레임워크를 제공하며, 농업 관리의 조기 의사결정을 지원합니다. 복숭아 과수원에서 기후 변화는 해충과 질병을 포함한 비생물적 스트레스와 생물적 압력을 증가시키며, 이는 종종 시각적으로 유사한 잎의 증상을 유발합니다. 이러한 중첩은 특히 다양한 환경 조건을 가진 여러 필드에 걸쳐 수동 진단을 어렵게 만들며, 강력한 일반화 능력을 갖춘 자동화된 모델의 필요성을 강조합니다. 우리는 복숭아 잎 피해 탐지를 위한 이미지 기반 분류 접근 방식을 제안합니다. 공개적으로 이용 가능한 이미지의 수동 주석을 통해 6가지 피해 범주에 걸친 1,366개의 복숭아 잎으로 구성된 벤치마크 데이터셋이 생성되었습니다. 여러 심층 학습 아키텍처가 평가되었습니다. EfficientNet 모델이 최상의 결과를 달성했으며, EfficientNetB0은 92.9% 정확도, EfficientNetB3은 91.5% 정확도를 달성했고, EfficientNetB5는 소수 클래스에서 가장 강력한 성능을 보였습니다. DenseNet121은 92.6% 정확도에 도달했습니다. Convolutional Block Attention Module (CBAM)의 통합은 여러 백본, 특히 EfficientNetB5와 InceptionV3의 성능을 향상시킨 반면, 다른 모델에서는 제한적이거나 부정적인 영향을 미쳤습니다. CBAM이 적용된 EfficientNetB5는 93.3%의 최고 전체 정확도를 달성했습니다. 현실적인 조건에서의 강건성을 평가하기 위해 4개 클래스에 걸친 180개 이미지의 로컬 데이터셋을 수집하고, 도메인 변이를 해결하기 위해 전이학습 전략을 적용했습니다. 세 가지 미세조정 전략이 테스트되었습니다. CBAM과 결합된 EfficientNetB3가 로컬 도메인에서 최고의 성능을 달성했으며, 전이 후 93%의 매크로 F1 점수에 도달했습니다. 전반적으로, 어텐션 기반 모델은 소수 클래스에 대한 향상된 강건성과 다양한 필드 조건에서 더 나은 일반화를 보여주었습니다.