PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.25065v2cs.CV

ShapeY: 최근접 이웃 매칭을 통해 형상 인식 능력을 측정하는 원리적 프레임워크

ShapeY: A Principled Framework for Measuring Shape Recognition Capacity via Nearest-Neighbor Matching

인간의 객체 인식(OR)은 형상(shape) 단서와 다양한 3D 시점 전반에서 객체를 인식하는 능력에 크게 의존합니다. 인간과 달리 딥 네트워크는 질감이나 배경과 같은 비형상(non-shape) 단서에 의존하는 경우가 많아, 일반화 및 강인성 측면에서 취약성을 보입니다. 이러한 격차를 해결하기 위해, 우리는 OR 시스템의 형상 기반 인식 능력을 평가하도록 설계된 새롭고 원리적인 벤치마킹 프레임워크인 ShapeY를 도입합니다. ShapeY는 여러 시점에서 렌더링되고 선택적으로 비형상 '외형(appearance)' 변화가 적용된 200개 3D 객체의 그레이스케일 이미지 68,200장으로 구성됩니다. ShapeY는 최근접 이웃(nearest-neighbor) 매칭 태스크를 활용하여, 다양한 3D 시점 및 기타 비형상 변화 전반에서 객체 뷰들이 3D 형상 유사도에 따라 군집화되는지 평가함으로써 OR 시스템의 임베딩 공간의 세밀한 구조를 구체적으로 탐색합니다. ShapeY는 오류율 그래프, 시점 튜닝 곡선, 양성 및 음성 매칭 점수의 히스토그램, 순서화된 최적 매칭을 보여주는 그리드를 포함하는 정량적 및 정성적 성능 분석 모음을 제공하며, 이를 통해 OR 시스템의 형상 이해 능력에 대한 종합적인 평가를 제공합니다. 다양한 아키텍처를 지닌 321개의 사전학습(pre-training) 네트워크를 테스트한 결과, 강인한 형상 기반 인식을 달성하는 데 중대한 난제가 드러났습니다. 최고 수준(state-of-the-art)의 모델조차 3D 시점 및 외형 변화 전반에서 일관되게 일반화하는 데 어려움을 겪으며, 드물지만 명백히 완전히 다른 형상의 객체를 잘못 매칭하는 심각한 오류를 범하기 쉽습니다. ShapeY는 인공 비전 시스템을 인간 수준의 형상 인식 능력으로 발전시키기 위한 원리적 프레임워크를 정립하며, 얽힘이 풀린(disentangled) 불변 객체 인코딩의 중요성을 강조합니다.

arXiv:2609.24384v1cs.CV

손으로 그린 기하학적 도형의 실시간 인식을 위한 경량 합성곱 신경망

A Lightweight Convolutional Neural Network for Real-Time Recognition of Hand-Drawn Geometric Shapes

손으로 그린 기하학적 도형을 인식하는 것은 스케치 인식의 기초적인 하위 문제로, 교육, 인간-컴퓨터 상호작용(HCI), 다이어그램 디지털화 등에 응용될 수 있다. 본 논문에서는 소형 합성곱 신경망(CNN)을 사용하여 원, 정사각형, 직사각형, 삼각형의 네 가지 기본 손그림 기하학적 도형을 인식하는 데스크톱 애플리케이션의 설계, 구현 및 평가를 제시한다. 라벨링된 28x28 픽셀 크기의 도형 이미지 2,000개로 구성된 데이터셋을 독립적으로 수집하여 공개하였다. 분류기는 맥스 풀링을 포함하는 3개의 합성곱 블록(16, 32, 64개 필터), 모델 내 데이터 증강 단계(무작위 좌우 반전, 회전 및 확대), 드롭아웃 정규화가 적용된 128개 유닛의 완전 연결층, 그리고 4방향 선형 출력층으로 구성되어 총 97,956개의 학습 가능한 파라미터를 가진다. 해당 신경망은 로짓(logits)에서 직접 계산되는 희소 범주형 교차 엔트로피(sparse categorical cross-entropy) 목적 함수를 바탕으로 Adam 옵티마이저를 통해 학습된다. 80/20의 학습-검증 분할에서 이 모델은 0.1437의 검증 손실과 함께 94.80%의 학습 정확도 및 96.01%의 검증 정확도를 달성한다. Tkinter 기반 그래픽 인터페이스를 통해 사용자는 마우스로 도형을 그리고 신뢰도 점수와 함께 즉각적인 클래스 예측 결과를 확인할 수 있다. 본 연구에서는 이 시스템을 보다 광범위한 스케치 및 도형 인식 문헌에 위치시키고, 관련 손그림 도형 분류 연구들과 정확도를 비교하며, 소규모 단일 기여자 데이터셋에 내재된 한계점을 논의한다. 재현성을 지원하기 위해 전체 소스 코드, 학습된 모델, 클래스별 데이터셋을 공개한다.