PyTorchKR Papers

최신 논문

총 6편
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:2607.11366v1cs.CV

고해상도 근거리 다중 스펙트럼 원격 감지 영상을 위한 자기지도 학습

Self-supervised training for high-resolution close-range multispectral remote sensing imagery

자기지도 학습(SSL)은 근거리 원격 감지에서 어노테이션 비용을 줄이는 유망한 방법을 제공하지만, 데이터 부족으로 인해 고해상도 다중 스펙트럼 무인 항공기(UAV) 영상에 대한 효과는 아직 충분히 탐구되지 않은 상태이다. 본 연구는 여러 센서, 연도, 지역에 걸쳐 수집된 cm 단위 다중 스펙트럼 드론 영상을 활용하여 정밀 농업을 위한 SSL 사전학습을 평가하였다. 트랜스포머 기반 인코더를 Momentum Contrast v3(MoCo-v3) 및 마스크드 오토인코더(Masked Autoencoders)로 사전학습하였으며, 이를 위해 msuav500K와 핀란드 농업 지역에서 새로 수집한 다년간의 UAV 영상을 결합한 통합 데이터셋을 사용하였다. 사전학습에는 교차 센서 호환성을 위해 네 개의 스펙트럼 밴드(Green, Red, Red-Edge, Near-Infrared)를 활용하였다. 모델은 5~100%의 학습 데이터를 사용하여 WeedMap 데이터셋 기반 작물-잡초 의미론적 분할로 평가되었다. 다음 두 가지 하위 태스크를 다운스트림 태스크로 사용하였다: 부분 및 전체 미세조정 조건에서 모든 사전학습 모델을 비교한 태스크 A(독일, RedEdge-M)와, 태스크 A의 최적 인코더를 평가한 태스크 B(스위스, Sequoia). MoCo-v3로 사전학습된 Swin 트랜스포머는 두 태스크 모두에서 가장 높은 성능을 달성하였으며, msuav500K의 사전 공개 버전으로 사전학습된 Doornbos 등의 Swin 트랜스포머 모델을 능가하였다. 또한 사전학습된 Swin 트랜스포머는 교차 센서 및 교차 지역 일반화 능력을 추가로 입증하였다. 향후 연구를 지원하기 위해 핀란드에서 수집한 공개 다년간 다중 스펙트럼 UAV 데이터셋도 함께 제공한다.

arXiv:2606.26763v1cs.CV

다차원 데이터를 위한 교정된 조화 중첩 암묵적 신경 표현

Calibrated Harmonic Overlaid Implicit Neural Representations for Multi-Dimensional Data

다차원 데이터 복원용 주기적 암묵적 신경 표현(INR)은 함수 합성으로 깊이가 커질수록 최적화가 불안정해지고 스펙트럼 바이어스(spectrum bias) 완화에도 한계가 있어, CHOIR(Calibrated Harmonic Overlaid Implicit Neural Representation)에서 조화 중첩(Coordinated Harmonic Superposition, CHS)으로 합성 구조를 대체하고 지각 스펙트럼 교정(Perceptual Spectrum Calibration, PSC)으로 자연 이미지의 멱법칙 스펙트럼 사전을 반영한다. 다양한 다차원 데이터 복원 실험에서 최신(state-of-the-art) 방법들보다 우수한 성능을 보였다.

arXiv:2601.01084v2cs.CV

인도 농경지 다단계 논작물 모니터링을 위한 UAV 기반 다분광 및 RGB 데이터셋

A UAV-Based Multispectral and RGB Dataset for Multi-Stage Paddy Crop Monitoring in Indian Agricultural Fields

인도 안드라프라데시주 비ijayawada 지역 논밭에서 유묘부터 수확까지 전 생육 단계를 1 cm/픽셀 GSD로 촬영한 UAV 기반 RGB·4밴드 다분광 데이터셋(42,430장, 415 GB)을 SOP와 체크리스트로 공개한다. GPS·비행 고도·환경 조건 등 메타데이터와 Pix4D Fields 검증 기반 NDVI·NDRE 정사영상을 함께 제공해 표적 살포, 병해 분석, 수확량 추정 등 정밀 농업 연구를 지원한다.

arXiv:2605.24003v2cs.CV

다중 분광 영상을 위한 심층 학습 기반 원격 탐사 데이터 결측치 보완

Remote sensing data imputation using deep learning for multispectral imagery

최근 원격 탐사 기술이 수생 환경 응용 분야에서 점점 더 많이 활용되고 있습니다. 광학 위성 데이터를 사용할 때 흔한 문제는 구름으로 인한 관측값의 누락입니다. 이러한 데이터 공백은 수질 관리 당국이 관심을 갖는 호수에서 조류 번식(algal blooms)과 같은 중요한 사건을 놓치게 할 수 있습니다. 결과적으로, 광학 위성 데이터셋의 완전성을 높이는 것은 조류 번식의 모니터링 및 예측을 개선하는 데 중요합니다. 본 연구에서는 조류 번식의 기록이 있는 4개 호수에서 누락된 스펙트럼 밴드를 복원하기 위해 전통적인 데이터 결측치 보완 방법(즉, 선형 보간법)과 심층 학습 모델을 비교했습니다. 채택된 심층 학습 모델은 CNN 기반 아키텍처(즉, CNN, Inception Resnet, Autoencoder)와 CNN-LSTM 기반 아키텍처(즉, CNN-LSTM, Resnet-LSTM, Autoencoder-LSTM)를 포함합니다. 결과에 따르면, 심층 학습 모델은 인위적으로 마스킹된 영역 내에서 스펙트럼 밴드 값을 보완하는 데 있어 기준선(baseline)인 선형 보간법보다 현저히 우수한 성능을 보였습니다. 이러한 모델 중 CNN이 대부분의 호수에서 가장 좋은 성능을 보였습니다. 또한, 보완된 영상에서 도출된 조류 번식 지수(즉, Green/Red 및 NDCI)의 성능을 관측 데이터와 비교하여 평가했습니다. 본 연구의 결과는 심층 학습 모델이 PlanetScope SuperDove 영상의 결측 데이터를 보완하는 데 효과적이며, 수질 모니터링에서 더 신뢰할 수 있는 응용을 가능하게 함을 보여줍니다.

arXiv:2606.11287v1eess.IV

다중 스펙트럼 메타표면과 하이브리드를 이용한 지능형 피부암 검출

Intelligent Skin Cancer Detection Using a Multispectral Metasurface and a Hybrid

피부암은 전 세계적으로 가장 흔한 악성 종양 중 하나이며, 조기 발견은 환자 생존율 향상과 치료 비용 절감에 필수적입니다. 기존의 피부경(dermoscopic) 및 시각적 영상화 기술은 주로 가시광선 스펙트럼으로 제한되어 있어, 조기 악성 종양과 관련된 미세한 스펙트럼 특징을 포착하는 데 종종 실패합니다. 본 연구는 영상화를 위한 다중 스펙트럼 메타표면과 합성곱 신경망(CNN) 및 비전 트랜스포머(Vision Transformer)를 기반으로 하는 하이브리드 심층 학습(deep learning) 아키텍처를 통합한 혁신적인 프레임워크를 제안합니다. 설계된 메타표면은 조직 변화에 매우 민감한 풍부한 스펙트럼 정보를 비침습적으로 획득할 수 있게 하며, 하이브리드 CNN-ViT 모델은 피부 병변을 견고하게 분류하기 위해 지역적 및 전역적 특징을 동시에 추출합니다. 시뮬레이션 기반 평가 결과, 제안된 방법은 약 98%의 정확도, 95%의 민감도, 99%의 특이도를 달성하여 기존 RGB 기반 및 단일 아키텍처 접근 방식을 능가하는 것으로 나타났습니다. 어텐션(attention) 맵을 사용한 정성적 분석을 통해 모델이 임상적으로 관련 있는 병변 영역에 집중하여 해석 가능성을 향상시키는 것으로 나타났습니다. 전반적으로, 이러한 결과는 메타표면 기반 다중 스펙트럼 영상화와 하이브리드 심층 학습의 결합이 피부과학에 새로운 세대의 진단 도구를 도입하고, 휴대 가능하며 빠르고 매우 정확한 임상 시스템의 길을 열 수 있음을 시사합니다.