GPF-Net: 용종 재식별을 위한 게이트 기반 점진적 융합 학습
GPF-Net: Gated Progressive Fusion Learning for Polyp Re-Identification
대장내시경 용종 재식별(Polyp Re-Identification, ReID)은 서로 다른 시점과 카메라로 촬영된 대규모 이미지 갤러리에서 동일한 용종을 매칭하는 것을 목표로 하며, 대장암 예방 및 치료를 위한 컴퓨터 보조 진단에서 중요한 역할을 합니다. 그러나 고수준 특징(feature)의 거친 세분성(coarse granularity)은 정확한 매칭을 위해 미세한 세부 정보가 필수적인 작은 용종에서의 성능을 종종 제한합니다. 이러한 문제를 해결하기 위해, 완전 연결 게이팅 메커니즘을 통해 여러 수준의 특징을 선택적으로 통합하는 새로운 다중 모달 특징 융합 아키텍처인 GPF-Net(Gated Progressive Fusion Network)을 제안합니다. 이 프레임워크를 기반으로, 의미론적 정보의 층(layer)별 정제를 가능하게 하고 다수준 특징 상호작용을 촉진하여 일반화 능력과 강건성을 모두 향상시키는 게이트 기반 점진적 융합 전략을 도입합니다. 표준 벤치마크에서의 광범위한 실험을 통해 범용 시나리오에 맞춤화된 제안 융합 전략과 결합했을 때 특히 최첨단(SOTA) 단일 모달 ReID 모델 대비 다중 모달 설정의 이점을 입증합니다.