PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.04381v2cs.CV

스캔 유래 클래스 프로토타입은 무엇을 더하는가? 동결된 파운데이션 모델 특징 기반 인식에서 감독, 프로토타입 내용, 쿼리 프로토콜 분리하기

What Do Scan-Derived Class Prototypes Add? Disentangling Supervision, Prototype Content and Query Protocol in Recognition over Frozen Foundation Features

스캔(scan)은 레이블이 지정된 이미지와 기하학적 참조(geometric reference)를 제공한다. 우리는 스캔 유래 프로토타입 행렬(prototype matrix)이 지도학습 헤드(supervised head)의 고정 출력층 역할을 하는 인식기(recognizer)에서 이들의 기여를 분리한다. T-LESS, HOPE, 그리고 직접 수집한 18개의 산업용 부품(industrial parts)에서, 우리는 실제(real), 무작위(random), 정확히 순열된(exactly permuted) 프로토타입, 매칭된 기하 정보 없는 분류기(geometry-free classifier), 더 강력한 외형 규칙(appearance rule), 그리고 쌍을 이룬 배경 프로토콜(paired background protocol)을 테스트한다. 실제 배경 쿼리(real-background query)를 사용한 DINOv2-giant와 MetaCLIP-H 전반에서, 실제 프로토타입이 두 대조군(control) 중 어느 쪽보다도 융합 정확도(fused accuracy)에서 앞서는 최대 우위는 1퍼센트포인트이다; 더 큰 차이는 대조군에 유리하게 나타나며, 암 평균(arm mean) 기준 최대 2.8포인트에 달한다. DINOv2-giant를 사용한 HOPE에서, 헤드만 단독으로는 정확한 순열(exact permutation) 대비 2.8포인트 높다(95% 구간: 0.8-4.7); 이 우위는 융합(fusion) 단계에서는 나타나지 않으며 MetaCLIP-H에서도 관찰되지 않는다. DINOv2-giant에서, 매칭된 로지스틱 회귀(logistic regression)는 T-LESS에서 융합 성능과의 차이가 0.5포인트 이내이며, HOPE와 직접 수집한 부품에서는 융합 성능을 초과한다. 흰색 컷아웃(white cutout)과 비교했을 때, 실제 HOPE 쿼리 배경은 이미지-프로토타입 정확도(image-prototype accuracy)를 DINOv2-giant에서 43포인트, MetaCLIP-H에서 13포인트 낮춘다. 이 감사(audit)는 프로토타입 내용, 레이블 감독(label supervision), 쿼리 프로토콜을 분리한다.