PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.13298v4cs.CV

유효 깊이의 역설: 심층 합성곱 신경망에서의 위상과 학습 가능성

The Effective Depth Paradox: Topology and Trainability in Deep CNNs

본 논문은 통일된 학습(training) 프로토콜 하에 CIFAR-10에서 평가된 VGG, ResNet, GoogLeNet 아키텍처 계열 전반에 걸친 합성곱 신경망(CNN) 위상(topology)과 이미지 분류(image classification) 성능에 대한 통제된 비교 연구를 제시합니다. 우리는 가중치(weight)를 갖는 층(layer)의 물리적 수를 의미하는 공칭 깊이($D_{\mathrm{nom}}$)와 순전파 정보 경로의 기대 길이를 정량화하는 운영 메트릭인 유효 깊이($D_{\mathrm{eff}}$) 간의 구분을 공식화하며, Veit 등(2016)이 도입한 잔차 신경망의 경로 앙상블(ensemble) 해석을 순차형, 잔차형 및 다중 브랜치 위상을 아우르는 닫힌 형태(closed-form)의 사전학습(pre-training) 프록시로 확장합니다. 우리는 관측된 역전파(backpropagation) 신호로부터 계산된 그래디언트(gradient) 가중 변형에 대해 이 프록시를 검증(validation)합니다. 8개의 대표적인 모델(VGG-11/13/16/19, ResNet-18/34/50, GoogLeNet) 전반에서, 플레인 VGG 스타일 스택은 $D_{\mathrm{eff}}$가 증가함에 따라 조기 정확도 포화를 보이는 반면, ResNet과 GoogLeNet은 $D_{\mathrm{nom}}$ 대비 $D_{\mathrm{eff}}$를 낮게 유지함으로써 추가된 깊이로부터 지속적으로 이점을 얻는데, 우리는 이러한 패턴을 "유효 깊이의 역설(Effective Depth Paradox)"이라 칭합니다. 풀링 상관 분석에 따르면 $D_{\mathrm{nom}}$과 $D_{\mathrm{eff}}$ 모두 정확도와 강력하고 유의미한 상관관계를 보입니다(r = 0.94 및 r = 0.93; 둘 다 p < 0.01). 작은 계열 클러스터 표본을 감안할 때 이것만으로는 두 메트릭을 명확히 분리할 수 없으므로, 그래디언트 노름(gradient-norm) 증거를 결정적인 통계적 증거라기보다는 상호보완적인 메커니즘 지원으로 다룹니다. 우리는 층의 수뿐만 아니라 아키텍처 위상이 심층 CNN의 학습 가능성과 스케일링(scaling) 효율성을 지배한다고 결론짓습니다. 모든 주장은 연구된 세 계열의 CIFAR-10 규모 학습으로 범위가 한정되며, ImageNet 규모에서의 검증이나 향후 필요한 연구로 명시한 EfficientNet, ConvNeXt, Vision Transformer와 같은 현대 아키텍처로의 일반화를 주장하지는 않습니다.

arXiv:2607.09630v1cs.CV

합성 데이터와 레이블 분포가 카놀라 가지 계수에 미치는 영향

The Effects of Synthetic Data and Label Distribution on Canola Branch Counting

자동화된 표현형 분석을 위한 주석 식물 이미지 수집은 흔히 느리고 비용이 많이 든다. 성장 및 발달을 시뮬레이션하는 식물 모델은 정확한 레이블이 포함된 무제한의 합성 이미지를 생성할 수 있다. 그러나 기존 연구에 따르면 합성 데이터를 통합했을 때 성능이 향상되는지 여부는 합성 이미지와 실제 이미지의 비율 및 합성 데이터셋의 레이블 분포에 따라 달라진다. 두 요인을 체계적으로 정량화하기 위해, 우리는 보정된 L-시스템 식물 모델을 사용하여 카놀라 가지 계수 태스크에서 ResNet-18 모델을 학습시키고 각 요인을 독립적으로 변화시켰다. 합성-실제 비율이 1:5에서 1:22인 경우 전반적으로 성능이 향상되었으며, 최적 비율(1:7)에서 실제 데이터만 사용한 학습 대비 평균 절대 오차가 7.6% 감소하였다. 레이블 분포 측면에서, 균등한 합성 분포는 성능이 현저히 낮았으며(절대 오차 약 1.70), 실제 분포 방향으로 90% 보간하면 절대 오차 0.927을 달성한 반면, 실제 레이블 분포에 가우시안 스무딩을 적용하면 전체적으로 가장 우수한 결과(절대 오차 0.912, 실제 데이터만 사용한 학습 대비 14.7% 향상)를 얻었다. 레이블당 최소 10장의 합성 이미지는 완만한 성능 향상을 보이는 더 단순한 대안을 제공하지만, 레이블당 100장은 과도하게 보정되어 성능을 저하시켰다.

arXiv:2606.27405v1eess.IV

CNN 및 ResNet 아키텍처를 이용한 MRI 영상의 뇌종양 자동 검출

Automated brain tumor detection in MRI images using CNN and ResNet architectures

심층 학습은 의료 영상 분석, 특히 MRI 스캔을 이용한 질병 검출에서 상당한 잠재력을 보여 왔다. 뇌 구조의 복잡성과 수동 해석에 대한 의존으로 인해 뇌종양의 정확하고 조기 진단은 여전히 어려운 과제이다. 본 연구는 CNN과 ResNet 아키텍처를 사용하여 MRI 영상으로부터 뇌종양을 검출하는 자동화된 심층 학습 기반 접근법을 제시한다. 사전학습된 ResNet18과 ResNet50 두 아키텍처에 전이학습을 적용하여 MRI 스캔을 종양 및 비종양 범주로 분류한다. 3,929장의 뇌 MRI 영상 데이터셋에 대해 실험을 수행하여 모델 깊이와 미세조정 전략의 영향을 평가하였다. 결과는 ResNet18이 ResNet50의 96%에 비해 97%의 더 높은 정확도를 달성하여, 제한된 의료 데이터에서 더 나은 일반화 성능을 보임을 나타낸다. 제안된 프레임워크는 빠르고 정확하며 비용 효율적인 뇌종양 검출을 가능하게 하여, 조기 진단과 임상 의사결정을 지원한다.

arXiv:2606.21200v1cs.CV

YOLOv8과 ResNet18을 이용한 실시간 보행자 속성 인식

Real-time pedestrian attribute recognition with YOLOv8 and ResNet18

보행자 속성 인식(PAR)은 검출된 보행자에 의미적 레이블을 부여하며, 감시, 영상 검색, 인간 중심 그래픽스 응용에 유용하다. 본 논문은 YOLOv8n이 보행자를 검출하고 ResNet18 기반 모델이 성별을 분류하며, 외관상 나이(apparent age)를 추정하고, 각 보행자 crop에서 61개의 이진 속성을 예측하는 2단계 프레임워크를 제시한다. PETA와 PA-100K는 의미적 속성 매핑(semantic attribute mapping)을 통해 결합되어, PETA 속성 공간을 유지하면서 10만 장 이상의 보행자 이미지로 구성된 통합 학습 말뭉치를 만든다. 보고된 테스트 분할에서 시스템은 99.89%의 성별 분류 정확도, 4.23년의 외관상 나이 평균 절대 오차, 89.96%의 다중 속성 정확도, 36.32% macro F1-score, 58.80% micro F1-score를 달성한다. 런타임 측정 결과 NVIDIA RTX 5060 GPU에서 25-30 FPS를 보인다. 결과는 경량 검출기-분류기 파이프라인이 실시간 PAR을 지원할 수 있음을 보여 주며, 낮은 macro F1은 희귀 속성이 여전히 어려움을 나타낸다.

arXiv:2606.19568v1cs.SD

음향 총성 분류를 위한 특징 추출 기법 매개변수 탐색

Exploring Feature Extraction Technique Parameters for Acoustic Gunshot Classification

음향 총성 탐지(acoustic gunshot detection)는 민간 공공 안전, 군사 작전 및 야생 동물 보존 등 다양한 분야에 응용되는 문제이지만, 현실적인 데이터로의 일반화(generalization)에 초점을 맞춘 특징 추출(feature extraction) 기법에 대한 엄밀한 탐색이 부족한 상태입니다. 상용 총성 탐지 및 분류(classification) 시스템의 일관되지 않은 성능은 현재 문헌에서 충분히 다루어지지 않은 미해결 문제임을 시사합니다. 본 논문에서는 85종의 화기와 21가지 구경에 걸친 23,000개의 총성 녹음으로 구성된 데이터셋(dataset)을 사용하여 일반적인 특징 추출 기법에 대한 체계적인 조사를 제시합니다. 우리는 ResNet-18을 사용하여 총 12개의 고유한 매개변수(parameter) 세트를 가진 세 가지 특징 추출 기법을 벤치마크합니다. 결과에 따르면 올바른 특징 추출 기법을 사용하면 top-1 정확도(accuracy)를 최대 20%까지 향상시킬 수 있으며, 주어진 특징 추출 기법에 올바른 매개변수를 활용하면 해당 수치를 최대 4.7%까지 더 개선할 수 있습니다.