PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.18484v1cs.CV

Vines-DB: 다중 종 관상용 덩굴 분할을 위한 RGB 이미지 데이터셋

Vines-DB: An RGB image dataset for multi-species ornamental vine segmentation

Vines-DB 데이터셋은 미국 유타주 로건에 위치한 유타 농업 실험소(Utah Agricultural Experiment Station)의 그린빌 연구 농장에서 현장 조건 하에 수집된 7종의 관상용 덩굴 식물에 대한 1,218장의 원본 고해상도 RGB 이미지를 포함합니다. 이 데이터셋은 2022년에 이식된 168개의 개별 덩굴 식물에서 생성되었으며, 2023년과 2024년 생육 시즌(7월~10월) 동안 여러 달에 걸쳐 반복적으로 촬영되었습니다. 이미지는 48 MP 카메라가 장착된 iPhone 16 Pro를 사용하여 주광 하에 오전 10시부터 오후 12시 사이에 촬영되었습니다. 덩굴 식물은 1.2m x 2.4m 트렐리스에서 재배되었으며, 대비를 높이고 배경 노이즈를 줄이기 위해 검은색 또는 흰색 스티로폼 배경을 대고 1m 거리에서 촬영되었습니다. 이 데이터셋은 Akebia quinata, Campsis radicans, Hydrangea anomala petiolaris, Lonicera x heckrottii, Campsis x tagliabuana 'Madame Galen', Parthenocissus quinquefolia, 및 Wisteria floribunda를 포함합니다. 모든 원본 이미지는 훈련된 주석 작업자에 의해 Roboflow에서 수동으로 주석이 달렸으며, 7개 종과 배경을 포함한 총 8개 클래스에 대한 다각형 기반 인스턴스 분할 마스크를 생성했습니다. 전처리 및 데이터 증강 후, 모델 개발 및 평가를 위해 작업 데이터셋이 2,307장의 이미지로 확장되었습니다. 증강된 데이터셋은 균형 잡힌 표현을 유지하기 위해 층화 추출(stratified sampling)을 사용하여 2,019장의 학습 이미지, 192장의 검증 이미지, 96장의 테스트 이미지로 분할되었습니다. Vines-DB는 정밀 원예 및 도시 생태학에서 다중 클래스 인스턴스 분할을 위한 심층 학습 모델의 개발과 평가를 지원합니다. 이 데이터셋은 자동화된 수관 피복도 추정, 종 식별, 확장 가능한 현장 표현형 분석(field phenotyping)과 같은 응용을 가능하게 합니다. 또한, 식물에 대한 반복적인 월간 이미징은 수관 발달과 식물 외관의 시간적 변화를 포착하여, 현실적인 현장 조건에서의 분할 벤치마킹에 대한 데이터셋의 유용성을 높입니다.

arXiv:2606.18302v1q-bio.OT

단백질 기반 어종 식별: 방글라데시 토착 어류를 위한 데이터셋, 모델 및 통찰

Protein-Based Fish Species Identification: Dataset, Models, and Insights from Native Bangladeshi Fish

어종의 정확한 식별은 방글라데시의 식량 안보, 경제 발전 및 기후 회복력에 매우 중요하다. 단백질 서열은 종 진위 확인 및 생물 다양성 모니터링에 중요한 기능적 및 진화적 제약을 직접 반영한다. 그러나 단백질 서열을 통한 방글라데시 토착 어종 식별을 위한 벤치마크(benchmark)가 존재하지 않는다. 본 연구에서는 9종의 방글라데시 토착 어류에 대한 2,845개의 고품질 단백질 서열로 구성된 최초의 정제된 데이터셋(dataset)을 도입하여 이러한 격차를 해소했다. 또한 7가지 아키텍처 패러다임에 대한 체계적인 벤치마킹을 통해 이 분야의 최초 단백질 서열 분류(classification) 기준선(baseline)을 확립했다. 더 나아가, 단말 인식 위치 인코딩(Terminal-Aware Positional-Encoding)을 갖는 MotifCNN과 트랜스포머(Transformer)의 현실적으로 배포 가능한 새로운 하이브리드 아키텍처(MotifCNN-Transformer+TA-PE)를 제안한다. 우리의 새로운 아키텍처는 0.80의 macro-F1로 79.80%의 정확도를 달성했다. 가장 높은 83.04%의 정확도는 420M 파라미터를 가지며 추론(inference)을 위해 듀얼 16GB GPU가 필요한 파인튜닝된(fine-tuned) 단백질 언어 모델(language model) ProtBERT에 의해 달성되었다. McNemar의 검정에 따르면, 우리의 MotifCNN-Transformer+TA-PE에 대한 ProtBERT의 3.24% 정확도 향상은 통계적으로 유의하지 않다(p = 0.1120). 우리의 새로운 아키텍처는 클래스별 식별에서 9개 클래스 중 6개에서 ProtBERT를 능가한다. 또한 우리의 MotifCNN-Transformer+TA-PE는 ProtBERT보다 약 5배 더 빠르고, 42배 더 작으며, 16배 더 큰 배치(batch) 크기를 지원하고 GPU 없는 추론(inference)이 가능하여, 방글라데시의 농촌과 같은 자원이 제한된 지역에 배포하기에 더 실용적이다. 이 외에도, 우리의 기초 연구는 계통 발생적 관계가 서열 유사성에 미치는 영향을 보여주며, 단백질 의존형 경제인 남아시아의 수산 자원 관리, 식품 진위 확인 및 생물 다양성 보존을 위한 경로를 확립한다.