PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.24928v2cs.CV

MambaDSF: 소나 소형 표적 탐지를 위한 확장 특징 융합 기반 다중 스케일 SSM

MambaDSF: Multi-Scale SSM with Dilated Feature Fusion for Sonar Small Target Detection

소나 이미징은 수중 표적 탐지를 위한 주요 모달리티이지만, 불충분한 픽셀 커버리지, 낮은 음향 대비, 이미징 거리에 따른 스케일 모호성으로 인해 소형 표적을 탐지하는 것은 여전히 어렵습니다. CNN 기반 탐지기는 국소 특징을 효율적으로 추출하지만 전역적인 음향 컨텍스트 없이는 노이즈로 인한 오경보를 억제하지 못합니다. 트랜스포머(Transformer) 기반 방법은 2차(quadratic) 계산 비용으로 장거리 의존성을 포착합니다. 기존의 맘바(Mamba) 기반 비전 모델은 효율적인 선형 비용 스캐닝을 제공하지만, 신뢰할 수 있는 소나 탐지에 필요한 피라미드 레벨 간 다중 스케일 시맨틱 정렬, 다중 수용영역 융합, 소형 표적 인지 학습 지도(supervision)가 부족합니다. 본 논문에서는 세 가지 기여를 통해 이러한 한계를 해결하는 하이브리드 프레임워크인 Mamba Dilated-Scale Fusion(MambaDSF)을 제안합니다. 선형 복잡도로 국소 에코 단서와 전역 음향 컨텍스트를 함께 포착하는 Mamba Enhanced Feature Pyramid(MambaEFP) 백본, 피라미드 레벨 간 다중 스케일 특징 정렬을 강화하는 Dilate Fusion Mamba(DFMamba) 인코더, 소형 표적 학습을 안정화하는 Scale-Adaptive Weighted IoU(SA-WIoU) 및 Cross-Scale Coherence(CSC) 손실 함수입니다. MambaDSF는 2,870만 개의 파라미터로 UATD 전방 관측 소나 벤치마크에서 91.5% mAP50을 달성하여 비교 대상인 모든 탐지기를 능가했습니다. 소형 표적 서브셋에서는 성능 향상이 +2.2%p에 달했으며, FLS 및 MD-FLS에 대한 도메인 간 평가를 통해 제안된 아키텍처의 일반화 성능을 확인했습니다. 코드는 https://github.com/IDontKnowAAA/MambaDSF 에서 공개되어 있습니다.

arXiv:2607.23994v2cs.CV

적외선 소형 표적 탐지에서 유효 수용 영역 순서의 중요성

Effective Receptive Field Ordering Matters for Infrared Small Target Detection

본 연구에서는 적외선 소형 표적 탐지를 위한 이전에 탐구되지 않은 아키텍처 차원인, 특징 정제 과정에서의 유효 수용 영역(ERF) 조직화를 조사한다. 개별 특징 연산자를 개선하는 데 주로 초점을 맞춘 기존 접근법과 달리, 우리는 ERF 조직화가 수용 영역 설계 자체와는 독립적인 아키텍처 차원을 구성한다고 주장하며, 깊은 특징 변환을 점진적 잔차 보정 과정으로 공식화하고, 이로부터 ERF 스케줄링을 위한 이론적 프레임워크를 수립한다. 구체적으로, ERF 정제는 두 가지 근본적 특성에 의해 지배됨을 밝힌다: 서로 다른 ERF 스케일을 각기 다른 잔차 주파수 특성과 정렬하는 스케일-주파수 대응(scale-frequency correspondence), 그리고 서로 다른 ERF 순서가 근본적으로 다른 정제 궤적을 만들어내는 비선형 비가환성(nonlinear non-commutativity). 이 두 특성은 ERF 스케일만이 아니라 ERF 조직화가 정제 역학을 지배함을 보여준다. 이러한 원칙에 따라, 표준 $3\times3$ 컨볼루션만을 사용하여 multigrid에서 영감을 받은 V-cycle 전략을 통해 계층적 ERF 스케줄링을 구현하는 Receptive Field Ordering Network(RFONet)를 제안한다. RFONet은 단 1.16M개의 파라미터와 157 FPS 이상의 추론 속도로 여러 벤치마크에서 최첨단 성능을 달성한다. 실증적 성능을 넘어, 우리의 이론적 분석은 교란, 주파수 이동, 부분 가림 하에서 안정적인 잔차 정제에 대한 이론적 보장을 제공하며, 이는 우수한 노이즈 견고성과 교차 데이터셋 일반화에 일관되게 반영된다. 마지막으로, 우리의 프레임워크는 ERF 조직화를 과제 의존적 최적화 목표로 재공식화하여, 향후 적응형 수용 영역 스케줄링을 위한 원칙적 기반을 제공한다.

arXiv:2607.24184v1cs.CV

LCMamNet: 적외선 소형 표적 탐지를 위한 경량 크로스-스케일 Mamba 네트워크

LCMamNet: A Lightweight Cross-scale Mamba Network for Infrared Small Target Detection

적외선 소형 표적 탐지(IRSTD)는 저고도 인지, 무인 시스템 경보, 보안 모니터링에 중요하다. 그러나 적외선 영상의 약한 표적은 보통 몇 픽셀에 불과하며 구름 클러터, 지면 경계, 밝은 노이즈에 쉽게 묻혀, 경량 분할(segmentation) 기반 방법이 배경 간섭을 억제하면서 국소 표적 구조를 보존하기 어렵게 만든다. 이러한 과제를 해결하기 위해, 우리는 국소 표적 구조를 점진적으로 강화하고 잠재 공간에서 크로스-스케일 문맥을 상호작용하며 배경 억제와 함께 공간적 세부 정보를 복원하는 경량 크로스-스케일 Mamba 네트워크인 LCMamNet을 제안한다. 구체적으로, 십자형 방향 병목 잔차(CDBR) 블록을 갖춘 컴팩트 계층적 인코더는 작은 연산 예산 하에서 방향 민감 표적 구조를 강화한다. 잠재 밀집 크로스-스케일 융합(LDCF) 모듈은 양방향 Mamba 모델링을 통해 밀집 전계층 상호작용을 수행하고, 상호작용된 특징을 안정적인 계층적 의미론으로 재구성한다. 마지막으로, 점진적 디코더는 무관한 배경 텍스처를 억제하면서 얕은 공간 세부 정보를 선택적으로 복원한다. IRSTD-1k, NUAA-SIRST, NUDT-SIRST에 대한 광범위한 실험 결과, 제안 네트워크는 각각 71.25%, 79.60%, 95.58%의 mIoU 점수를 달성하며, 파라미터는 1.175M, 연산량은 6.91 GFLOPs에 불과하다. 또한 평균 추론 지연시간 6.62 ms로 동작하며, NVIDIA Jetson Orin NX 16G SUPER에서의 배포 결과는 실시간 엣지 추론에 대한 실용적 잠재력을 더욱 보여준다. 코드와 체크포인트는 https://github.com/Haoyu096/LCMamNet 에서 공개적으로 이용 가능하다.

arXiv:2607.01555v1cs.CV

로짓 도메인 대조와 적응형 형상 정제를 통한 적외선 소형 표적 탐지 향상

Boosting Infrared Small Target Detection via Logit-Domain Contrast and Adaptive Shape Refinement

적외선 소형 표적 탐지(IRSTD)에서 발생하는 약한 표적 판별력 저하와 헤일로(halo) 형태 번짐 문제를 해결하기 위해, 로짓(logit) 도메인 마진 제약(LDMC), 적응형 경계 억제(ABS), False-Alarm Focal Loss를 결합한 플러그 앤 플레이 손실 함수 AC-SLSIoU를 제안한다. 추가적인 추론 오버헤드 없이 기존 탐지기에 통합 가능하며, IRSTD-1k 및 NUDT-SIRST 데이터셋 실험에서 탐지 정확도와 형상 품질 모두 일관된 향상을 보였다.

arXiv:2606.27655v1cs.CV

다중 프레임 적외선 소형 표적 탐지를 위한 Temporal-Emerged Prompting 기반 Segment Anything

Temporal-Emerged Prompting for Segment Anything in Multiframe Infrared Small Target Detection

낮은 신호대잡음비(SNR) 적외선 시퀀스에서 소형 표적을 정확히 위치 추정하고 분할하는 것은 여전히 어려운 과제이다. 개별 프레임에서는 표적이 배경과 구분되지 않는 경우가 많기 때문에, 고급 기반 모델(foundation model)과 강력한 프레임 간 연관 메커니즘을 갖추었더라도 기존 방법은 여전히 이를 탐지하지 못한다. 시간이 지나면서 표적이 배경에서 점진적으로 분출(emerge)되어 구분 가능해지는 경향이 있다는 관찰에 동기를 얻어, 우리는 이러한 시간적 분출(temporal-emerged) 단서를 명시적으로 활용해 SAM을 조절하고 프롬프트하는 원칙적 프레임워크인 Temporal-Emerged Prompting for Segment Anything Model(TEP-SAM)을 제안한다. TEP-SAM은 전역 운동 패턴과 국소 운동 편차를 공동으로 모델링하여 잠재적 표적의 위치를 특정하는 방식으로 동작한다. 또한 운동 불일치(motion discrepancy)를 활용해 표적 영역 특징을 더욱 강화하고, 이를 통해 SAM용 시간적 분출 단서를 생성하여 비대화형(non-interactive) 분할을 가능하게 한다. 대규모 의미적 사전학습(pre-training)과 과제 특화 시간적 모델링을 연결함으로써 TEP-SAM은 SAM을 어려운 다중 프레임 적외선 소형 표적 탐지 과제에 효과적으로 적응시킨다. 광범위한 실험은 특히 극도로 낮은 SNR 조건과 복잡한 동적 배경에서 우리 접근법의 효과를 입증한다.

arXiv:2606.18783v1cs.CV

적외선 소형 표적 탐지를 위한 SCR 유도 난이도 인식 최적화

SCR-Guided Difficulty-Aware Optimization for Infrared Small Target Detection

적외선 소형 표적 탐지는 심각한 배경 클러터, 낮은 대비, 약한 공간 응답으로 인해 여전히 어려운 문제로 남아 있으며, 이러한 환경에서는 기하학적 중첩만으로는 탐지 품질을 특성화하기에 충분하지 않습니다. 본 연구에서는 학습(training) 과정에서 신호 대 클러터비(SCR)를 물리적으로 의미 있는 가시성 사전 정보(prior)로 통합하는 경량의 SCR 유도 난이도 인식 최적화 프레임워크인 REEM(Reweighted Explicit-visibility Enhanced Modulation)을 제안합니다. REEM은 네트워크 아키텍처를 수정하거나 SCR을 직접 최적화하는 대신, 입력 이미지에서 정답(ground-truth) 지역 SCR을 계산하여 soft-IoU 학습 신호에 미분 가능한 변조를 적용함으로써, 안정적인 최적화와 동일한 추론(inference) 동작을 유지하면서 가시성이 낮은 표적을 강조합니다. REEM은 추가 파라미터, 아키텍처 수정 또는 추론 시간 오버헤드 없이 U-Net 기반 MSHNet에 통합될 수 있습니다. 광범위한 실험 결과, 기준선(baseline) 대비 일관된 개선이 나타났으며, 특히 가시성이 낮은 어려운 조건에서 더 높은 IoU와 탐지 확률(Pd)을 달성하고 오탐(FA)을 상당히 감소시켰습니다. 이러한 결과는 SCR 유도 난이도 인식 최적화가 적외선 소형 표적 탐지를 위한 기존 중첩 기반 목적 함수에 효과적이고 물리적으로 근거 있는 보완책을 제공함을 시사합니다. 코드는 https://github.com/yall-in-one/Reemm에서 확인할 수 있습니다.