대규모 농경지 경계 지도는 농업 모니터링 작업에 필수적입니다. 위성 기반 농경지 매핑을 위한 기존 심층 학습(deep learning) 접근법은 조도, 공간 규모 및 지리적 위치 변화에 민감합니다. 본 연구에서는 Fields of The World (FTW) 벤치마크를 활용하여 전 세계 농경지 경계 획정을 위한 분할 및 지구공간 파운데이션 모델(GFM)에 대한 최초의 체계적 평가를 수행합니다. 통일된 실험 환경에서 18개 모델을 평가한 결과, U-Net 의미론적 분할(semantic segmentation) 모델이 일련의 성능 및 배포 지표에서 인스턴스 기반 모델 및 GFM 대안들보다 우수한 성능을 보임을 확인했습니다. 이에 따라 본 논문에서는 실제 환경에서의 성능과 강건성을 향상시키기 위해 U-Net 백본, 복합 손실(loss) 함수, 맞춤형 데이터 증강을 결합한 새로운 분할 접근법을 제안합니다. 제안 모델은 FTW에서 이전 기준선(baseline) 대비 각각 6%와 9% 향상된 76% IoU 및 47% object-F1을 달성합니다. 본 접근법은 모델 설계, 학습(training), 추론(inference) 전반에 걸쳐 신뢰할 수 있고 확장 가능하며 재현 가능한 농경지 경계 획정을 위한 실용적인 프레임워크를 제공합니다. 모든 모델과 5개국에 대해 모델로부터 도출된 농경지 경계 데이터셋을 공개합니다.
의료 영상, 특히 MRI 스캔에서 해부학적 구조를 분할하는 것은 임상 진단과 질병 진행 모니터링에 필수적이다. U-Net 및 그 확장 모델과 같은 심층 학습(Deep Learning, DL) 아키텍처는 의료 이미지 분할 작업에서 매우 효과적이지만, 미세한 세부 정보와 전역적인 맥락 정보를 동시에 보존하는 데 어려움을 겪는 경우가 많다. 이는 해부학적 구조가 불규칙한 경계와 형태, 대비, 크기의 변동을 특징으로 하는 MRI 데이터 분할에서 특히 어려운 문제이다. 이러한 문제를 해결하기 위해, 우리는 서로 다른 해부학적 구조에 대한 MRI 분할을 위한 새로운 DL 아키텍처를 제안한다. 구체적으로, 이 아키텍처는 임의의 U-Net 유사 아키텍처에 쉽게 통합될 수 있는 다중 해상도 특징 융합(Multi-Resolution Feature Fusion, MRFF)이라는 모듈을 도입한다. MRFF는 어텐션(attention) 메커니즘 및 스킵 연결(skip connection)과 함께 인코더-디코더 구조의 모든 레벨에 통합되어 여러 해상도에서 특징을 추출함으로써, 모델이 미세한 세부 정보와 전역적인 맥락 정보를 모두 포착할 수 있게 한다. 우리는 서로 다른 해부학적 대상에 대한 두 가지 공개 벤치마크 MRI 데이터셋에서 MRFFU-Net을 평가하였다; 하나는 척추 MR 스캔에서의 뇌척수액(Cerebrospinal Fluid, CSF) 분할이고, 다른 하나는 Medical Segmentation Decathlon(MSD) 챌린지에서 제공하는 좌심방(left atrium) 심장 분할이다. 실험 결과는 MRFFU-Net이 여러 평가 지표에서 최신(state-of-the-art) 모델들을 능가하며, MRI 분할에서의 효과성을 입증함을 보여준다.
본 논문에서는 멀티모달 위성 데이터로부터 익일 산불 확산을 예측하기 위한 가볍고 계산 효율적인 심층 학습(deep learning) 모델인 ShearFuse-UNet을 제안한다. 이 모델은 U-Net 백본의 각 인코더 블록 내에 상호보완적인 세 가지 변환 도메인 브랜치를 통합한다: 2D 고속 월시-아다마르 변환(WHT) 브랜치, 2D 이산 코사인 변환(DCT) 브랜치, 그리고 원뿔 적응형 디지털 시어렛(Shearlet) 잔차 브랜치이다. WHT 및 DCT 브랜치는 학습 가능한 스펙트럼 스케일링(spectral scaling)과 고정된 소프트 임계값 처리(soft-thresholding)를 통해 직교 잠재 공간을 구축하며, 시어렛 브랜치는 화재 전선의 특징인 길쭉한 가장자리 구조를 명시적으로 인코딩하는 이방성 다방향 특징(feature) 분해를 제공한다. 학습된 SpectralFusion 게이트는 WHT와 DCT 응답을 적응적으로 결합하며, 시어렛 재구성은 잔차로 더해진다. 이러한 3개 브랜치 설계는 트랜스포머(transformer) 셀프 어텐션(self-attention)과 느슨한 구조적 유사성을 지닌다. 즉, WHT 및 DCT 브랜치는 적응적으로 융합되는 상호보완적 스펙트럼 표현을 제공하고, 시어렛 브랜치는 잔차 경로를 통해 방향성 콘텐츠를 기여한다. 셀프 어텐션과 달리, 제안된 설계는 학습된 프로젝션 연산자 대신 고정된 수학적 변환에 의존하므로 매개변수(parameter) 수와 계산 비용을 줄인다. WildfireSpreadTS 데이터셋(dataset)에 대한 평가에서 ShearFuse-UNet은 단 267k개의 매개변수로 0.596의 F1 점수를 달성하여 ResNet18 기반 U-Net(1,400만 개의 매개변수, F1 = 0.589)을 능가하며 매우 유리한 정확도-효율성 트레이드오프를 입증한다. Google Next-Day Wildfire Spread 데이터셋에 대한 결과는 서로 다른 벤치마크 전반에서 이러한 연구 결과를 추가로 검증한다.
의료 영상에서 심층 학습 모델의 임상 배포를 위해서는 즉시 사용 가능한(out-of-the-box) 견고한 성능이 필수적이다. 모델 일반화에 영향을 미치는 중요하지만 충분히 탐구되지 않은 요인 중 하나는 강도 정규화이며, 특히 스캐너와 프로토콜에 따라 영상 강도가 달라지는 자기공명영상(MRI)에서 그렇다. 본 연구에서는 무릎 MRI에서 반월상연골 분할을 위한 3D U-Net 모델의 성능에 미치는 영향을 평가하기 위해 7가지 정규화 방법을 체계적으로 비교했다. 방법에는 표준 스케일링 접근법, 히스토그램 기반 기법, 그리고 가우시안 혼합 모델(GMM) 기반 방법이 포함되었다. 모델은 IWOAI 2019 데이터셋에서 학습되었고, 내부 및 외부 테스트 세트(SKM-TEA)에서 평가하여 일반화 성능을 측정했다. 내부에서는 성능이 유사했으나 외부 데이터에서는 차이가 유의미했으며, Z-score, Nyúl 히스토그램 매칭, CLAHE가 다른 방법보다 더 큰 견고성을 보였다. 그러나 이러한 차이는 데이터셋 간에 관찰된 유의미한 성능 저하에 비해 작았다. 전반적으로 강도 정규화는 모델 일반화에 측정 가능한 영향을 미쳤지만, 도메인 이동(domain shift)의 영향에 비해 그 영향은 제한적이었으며, 이는 견고한 배포를 위한 보완적 전략의 필요성을 강조한다.
의료 이미지 분할 모델은 이상적인 촬영 조건에서 높은 벤치마크 정확도를 보고하는 경우가 많지만, 임상적 열화 하에서의 실패는 눈에 띄지 않을 수 있다. 센서 노이즈, 환자 움직임, 저해상도 촬영, 대조도 변동이 모두 명확한 경고 없이 모델 동작을 바꿀 수 있다. 우리는 통제된 임상 열화 조건 하에서 불확실성 인식 분할을 평가하기 위한 재현 가능한 프레임워크를 제시한다. 실험에는 BraTS 프로토콜을 따르는 생물물리 �antom 시뮬레이터로 생성한 합성 다중모달 뇌종양 MRI 코호트를 사용한다. 다중 클래스 종양 하위 영역 분할을 위해 U-Net과 Attention U-Net 기준 모델을 학습하고, 두 모델 모두에 Monte Carlo 드롭아웃을 추가하여 voxel별 불확실성을 추정한다. 임상적으로 동기 부여된 8가지 손상 유형과 5단계 심각도 수준에 걸쳐 분할 정확도, 보정(calibration), 실패 탐지, 선택적 예측 커버리지를 측정한다. 깨끗한 데이터에서 Attention U-Net은 whole-tumor Dice 0.990을 달성하며, 심각한 Gaussian 노이즈 하에서는 성능이 0.089로 떨어진다. 예측 불확실성은 열화와 함께 증가하며 분할 오류를 추적한다(severity-3 Gaussian 노이즈 하에서 Pearson r = 0.53), 이를 통해 AUROC 0.843으로 실패를 표시할 수 있다. 이 결과는 의사 참여형(physician-in-the-loop) 방사선학 워크플로에서 불확실성 인식 추론을 실용적인 안전성 층으로 삼을 것을 시사한다. 직접적인 재현을 지원하기 위해 코드, 학습된 모델, 평가 프로토콜을 공개한다.
3D 의료 이미지 분할을 위한 매개변수 효율적 SSM 기반 U-Net 아키텍처를 제안한다. 컨볼루션 U-Net은 층당 O(n) 국소 혼합을 제공하지만 명시적 전역 컨텍스트가 부족하다; 트랜스포머는 시퀀스 길이 $n$에 대해 O(n^2) 비용으로 전역 추론을 제공한다. Mamba와 같은 상태 공간 모델(SSM)은 블록당 O(n) 전역 전파를 제공한다. 그러나 기존 의료 SSM 분할기는 고정 스캔 패턴과 큰 매개변수 예산에 의존한다. 선택적 스캔 전 데이터 종속 재정렬을 학습하는 동적 적응 스캔(DAS, Dynamic Adaptive Scan)은 의료 영상에 적용되지 않았으며 3D 볼륨으로 확장되지도 않았다. 우리는 DAMamba-UNet3D를 제안한다. 이는 인코더 단계 E2–E4에 tri-plane 3D-DAS 블록을 통합하고 나머지 부분에는 컨볼루션을 유지하는 하이브리드 인코더-디코더이다(~5.3M 매개변수). BraTS 2020 5-겹 교차 검증에서 DAMamba-UNet3D는 평균 Dice 0.815±0.013(전체 볼륨 케이스별 평가)을 달성하며, SegMamba(0.824±0.014, ~70M) 대비 ~13배 낮은 매개변수 비용이다. 유사한 규모에서 인코더 전용 DAMamba와 컨볼루션 병목을 갖춘 넓은 DAS 네이티브 변형인 DAMamba-L(~70M)은 0.829±0.012에 도달하여 재학습된 SegMamba를 0.5pt 초과한다. 구성 요소 ablation은 인코더 전용 DAS 배치가 중요하며 병목 및 디코더 SSM 블록은 Dice를 낮춘다는 것을 보여준다. 종합하면, 하이브리드 U-Net에서 학습된 tri-plane DAS는 BraTS 2020에서 SegMamba의 고정 Tri-orientated Mamba(ToM) 스캔과 경쟁력 있으며, 우리의 대규모 설계에서는 이를 개선할 수 있음을 시사한다. 코드: https://github.com/marafathussain/DAMamba-UNet3D.
농경지 지도는 종종 독점적이거나 불완전하거나 구식이지만, 작물 모니터링, 생산량 산정, 토지 전환 분석을 위한 공간적 틀을 제공한다. 본 연구는 1m NAIP RGB 영상으로부터 농지 범위와 가시적 경계를 매핑하는 재현 가능한 워크플로를 제시한다. 개방형 농경지, 도시 주변 교차 지역, 반건조 관개 구조, 단편화된 모자이크를 아우르는 37개 장면을 CVAT에서 주석 처리하고 이진 마스크로 변환했다. 겹치지 않는 256×256 패치로 5,698개 샘플을 생성했으며, 원본 장면별로 학습 3,850개, 검증 770개, 테스트 1,078개 패치로 분할했다. Dice 중심 손실 L = 2.5(1 - Dice) + BCE로 학습한 Residual U-Net(ResUNet)은 테스트에서 정확도 0.8808, IoU 0.8605, Dice 0.9234, 정밀도 0.8766, 재현율 0.9794를 달성했다. "agricultural farmland field" 텍스트 프롬프트를 사용한 고정(frozen) SAM 3 분기를 논리 OR로 ResUNet과 융합했다. 선택된 어려운 패치에서 Dice는 0.858에서 0.955(과수원 줄)로, 0.804에서 0.903(단편화된 필지)로 향상되었다. 슬라이딩 윈도우 스티칭으로 일관된 지역 마스크를 생성했으며(예시 타일 Dice 0.898 및 0.919). 본 산출물은 지적 필지 지도가 아닌 의미론적 농지 범위 층이며, 현재 농경지 층을 이용할 수 없는 곳에서의 농업 모니터링을 지원한다.
위성 영상을 이용한 산불 탐지는 클래스 불균형, 특징 복잡성, 대기 간섭 등의 어려움으로 인해 까다로운 것으로 입증된 의미론적 이미지 분할 문제이다. 본 논문에서는 기초적인 U-Net 이미지 분할 모델을 바탕으로 Sen2Fire 데이터셋의 고차원 스펙트럼 특징 공간을 더 효과적으로 모델링하기 위해 양자-하이브리드(quantum-hybrid) 솔루션을 개발한다. U-Net의 병목(bottleneck) 부분, 구체적으로 QuFeX 및 QB-Net ansatz에 변분 양자 회로(variational quantum circuit)를 주입한다. 모델의 추가 비교 분석을 위해 고전적 Feature Pyramid Network(FPN)를 테스트하고, 파라미터 압축, 대안적 손실 함수, 입력 데이터의 균일 혼합(uniform mixing)을 포함하여 U-Net 모델과 그 학습 과정에 대한 고전적 개선도 탐구한다. 주요 결과는 동일 조건 하에서 QB-Net($F_1$ 점수 31.18)과 QuFeX($F_1 = 30.79$) 모두 고전적 U-Net 기준선 결과($F_1 = 28.71$)를 능가했다는 것이다. 또한 고전적 FPN은 31.13의 유사한 점수를 달성했다. 중요한 발견은 데이터 혼합이 지리적으로 분리된 학습 및 테스트 세트 간의 상당한 도메인 이동(domain shift)을 제거하여 고전적 FPN의 $F_1$ 점수를 39.76으로 끌어올렸다는 것이다. California Burned Areas(CaBuAr) 데이터셋에 대한 교차 데이터셋 전이를 통해 산불 탐지 문제에 대한 아키텍처의 견고성과 일반화 가능성을 검증한다. 전반적으로 양자 머신러닝(quantum machine learning)이 산불 이미지 분할 문제에서 이점을 제공할 잠재력이 있으며, 후속 실험이 이 결과를 계속 검증하고 확장할 것이라고 판단한다.
U-Net 스타일 모델은 다양한 응용 분야에서 널리 사용되어 왔다. 이 모델들의 핵심 단계는 탑다운(top-down) 디코더를 사용하여 저수준 특징을 재구성하는 것이다. 이 재구성에는 고수준 의미 정보와 저수준 세부 정보의 정밀한 융합이 요구된다. 기존의 어텐션 기반 융합 방법들은 일반적으로 탑다운 디코더 특징(전역)만으로부터 어텐션 가중치를 도출하거나, 탑다운 디코더 특징과 바텀업(bottom-up) 인코더 특징 간의 상관관계(지역)로부터 어텐션 가중치를 도출한 뒤, 이 가중치를 사용하여 인코더 특징을 조절한다. 본 연구에서는 두 특징 스트림 간의 차분으로부터 어텐션 가중치를 도출하는 새로운 패러다임을 탐구한다. 이를 위해 두 가지 차분 기반 게이팅 방법을 제안한다: 전역 특징과 지역 특징 간의 절댓값 차분을 직접 사용하여 적응적 게이팅 맵을 생성하는 특징 차분 게이팅(FDG, Feature-difference Gating)과, 정보 엔트로피를 통해 각 스트림의 표현 확실성을 측정하고 부호화된 엔트로피 차분으로부터 어텐션 가중치를 도출하는 엔트로피 차분 게이팅(EDG, Entropy-difference Gating)이다. 두 방법 모두 전역 특징과 지역 특징을 동시에 조절하는 결합된 게이팅 맵을 생성한다. 의료 이미지 분할, 원격 감지 이미지 구름 제거, 음성 분리를 포함한 다양한 태스크에 대한 실험 결과, 두 방법 모두 기존의 어텐션 기반 융합 방법을 능가하였으며, EDG가 더 우수한 성능을 보였다. 이 결과는 U-Net 스타일 구조에서의 다중 스케일 특징 융합을 위한 새로운 패러다임을 제시한다.
본 논문에서는 일렉트릭 기타 오디오의 레이블 조건부 클린-이펙트 변환에 대한 연구 및 데모인 Clean2FX를 제안한다. 클린 기타 입력과 목표 이펙트 레이블이 주어졌을 때, 음악적 내용을 보존하면서 해당 이펙트가 적용된 신호를 합성하는 것이 목표이다. 학습 및 평가 쌍은 EGFxSet의 실제 단음 녹음으로부터 클린/이펙트 코드, 멜로디, 혼합 타임라인을 매칭하여 구성되며, 이를 통해 이펙트 간 통제된 비교가 가능하다. 공통된 스펙트로그램 기반 변환 설정 하에서 네 가지 신경망 접근법을 평가한다: 선형 또는 로그-크기 표현에서 동작하는지에 따라 구분되는 두 가지 변분 오토인코더(variational autoencoder)와 두 가지 U-Net 모델이다. 성능은 선형-크기 스펙트로그램 MSE와 Fréchet Audio Distance(FAD)로 측정한다. U-Net 모델이 변분 오토인코더 변형보다 우수한 성능을 보인다. 이펙트별 결과에서는 왜곡(distortion) 이펙트가 가장 크게 개선되는 반면, 딜레이(delay)와 리버브(reverb) 이펙트는 상당한 스펙트럼 오차 감소에도 불구하고 FAD 향상폭이 미미함을 보인다. 조건부 민감도 진단은 최우수 모델이 단일 변환으로 수렴하지 않고 목표 레이블에 반응함을 보여주는 근거를 제공한다. 데모 웹사이트에서는 학습 및 검증 데이터 외부의 실제 기타 연주에 두 모델을 적용하여, 실용적인 클린-이펙트 동작의 오디오 및 스펙트로그램 예시를 비교한다.
U-Net과 지리공간 파운데이션 모델(Prithvi-EO-2.0)의 앙상블을 활용해 프랑스 남부의 포도 재배 잠재력을 Sentinel-2 위성 다중분광 이미지로 예측하는 방법을 제안한다. ImageCLEF AI4Agri 2026 Subtask 1에서 ±1 정확도 68.32를 달성하여 7개 팀 중 2위를 기록하였다.
정확한 극한 강수 예측은 재해 저감에 매우 중요하지만, 수치 기상 예측(NWP) 모델은 구조적 강도 과소 추정 및 공간적 오차로 인해 여전히 어려움을 겪고 있다. 전통적인 강수 다중 모델 블렌딩 알고리즘은 가중치에 기반하여 예측 필드에 픽셀 단위 블렌딩을 수행하는데, 이는 강수 영역의 확장과 극값의 평활화를 유발할 수 있다. 본 연구는 U-Net 기반의 2단계 프레임워크—확률 분류(probability classification) 후 값 재구성(value reconstruction)—를 제안하여 6개 주요 NWP 모델의 예측을 블렌딩한다. 중국 전역 2,411개 국가 기상 관측소의 관측 데이터를 손실(loss) 함수에 통합하여 공간 구조와 최대 강도를 동시에 제약하는 새로운 관측소-격자 공동 지도(station-grid joint supervision) 메커니즘을 도입하였다. 2025년 홍수 시즌의 독립 샘플을 이용한 평가 결과, 본 모델은 개별 NWP 모델 및 현행 운영 산출물 대비 유의미하게 우수한 성능을 보였다. 호우(>=50 mm)에 대해 위협 점수(Threat Score, TS)가 최우수 NWP 대비 38.4% 향상되었다. 특히, 온대 저기압과 아열대 고기압에 의해 유발된 극한 강수(>=100 mm) 사례에서 TS를 0.1 이상으로 끌어올려, 사실상 참고 가치가 없던 예측을 일정한 운영 활용성을 갖는 예측으로 전환하는 데 성공하였다. 또한 본 모델은 데이터 기반 공간 보정 능력을 발휘하여, 시스템적으로 오차가 발생한 강우대의 위치를 실제 강수 중심으로 효과적으로 재정렬하였다. 관측소 데이터의 포함은 호우에 대한 TS를 10.4% 추가 향상시키고 바이어스(Bias)를 효과적으로 균형화하였다. 이러한 결과는 극한 강수 사상 포착 능력 향상에 있어 다중 소스 공동 지도의 효용성을 잘 보여준다.
보행자 수준의 바람 예측은 도시 설계 및 바람 쾌적성 평가에 필수적이지만, LES와 같은 고충실도 시뮬레이션은 신속한 평가에 계산 비용이 많이 소요된다. 본 연구는 현실적인 도시 형태에서 시간 평균 보행자 수준 풍속을 효율적으로 예측하기 위한 2단계 U-Net 프레임워크를 개발한다. 모델은 서로 다른 접근 풍향 하에서 현실적인 도시 구성을 포함하는 UrbanTALES 데이터셋을 사용하여 학습 및 평가된다. 첫 번째 단계에서 기준선 U-Net 모델(M1)은 정규화된 건물 높이 및 풍상(fetch) 정보로부터 패치 단위로 풍장을 예측한다. 이 공식화는 임의 크기의 도시 도메인에 적용할 수 있지만, 독립적인 패치 추론은 패치 경계에서 불연속성을 유발할 수 있다. 이를 해결하기 위해 인페인팅 기반 정제 모델로서 두 번째 U-Net 모델(M2)이 도입된다. M2는 초기 M1 예측과 국소 형태 정보를 포함하는 더 큰 문맥 윈도우를 사용하여 인접 유동 정보를 통해 불연속성을 줄인다. 전체 필드 추론 시, M2는 수렴할 때까지 가우스-자이델(Gauss-Seidel) 방식을 사용하여 반복적으로 적용된다. 결과에 따르면 M1은 보행자 수준 풍속의 주요 공간 분포를 포착하고 저속 및 중속 영역에서 잘 수행되지만, 고속 피크는 정확도가 낮다. M2는 패치 경계 아티팩트를 크게 줄이고 공간적 일관성을 개선한다. 미지의 도시 사례에 걸쳐 이 프레임워크는 평균 속도와 공간적 변동성을 합리적으로 재현하지만, 최대 속도는 과소평가되는 경향이 있다. 전반적으로, 제안된 프레임워크는 현실적인 도시 형태에 걸쳐 고해상도 보행자 수준 바람 예측을 위한 효율적이고 유연한 대리 모델(surrogate model)을 제공한다.
Cervical cancer remains a significant global health concern and a leading cause of cancer-related deaths among women. Early detection through Pap smear tests is essential to reduce mortality rates; however, the manual examination is time consuming and prone to human error. This study proposes a deep learning framework that integrates U-Net for segmentation and a classification model to enhance diagnostic performance. The Herlev Pap Smear Dataset, a publicly available cervical cell dataset, was utilized for training and evaluation. The impact of segmentation on classification performance was evaluated by comparing the model trained on segmented images and another trained on non-segmented images. Experimental results showed that the use of segmented images marginally improved the model performance on precision (about 0.41 percent higher) and F1-score (about 1.30 percent higher), which suggests a slightly more balanced classification performance. While segmentation helps in feature extraction, the results showed that its impact on classification performance appears to be limited. The proposed framework offers a supplemental tool for clinical applications, which may aid pathologists in early diagnosis.
도시 공간 형태를 이해하는 것은 기후 모델링, 위험 평가 및 지속 가능한 도시 설계에 매우 중요하며, 국소 기후 지대(LCZ) 매핑은 이를 위한 기본 프레임워크를 제공합니다. 그러나 많은 도시는 여전히 약 100m 해상도의 거친 LCZ 기록을 사용하며, 이는 정밀 도시 연구에 적합하지 않습니다. 본 연구에서는 스위스 5개 도시에서 TESSERA (Feng et al., 2025)와 AlphaEarth (Brown et al., 2025)의 사전 계산된 임베딩을 기존 Sentinel-1/2 (S1S2) 합성 데이터와 비교하여, 어텐션 기반 U-Net을 사용하여 거친 LCZ 지도를 10m 해상도로 업스케일링할 수 있는지 확인합니다. 세 가지 실험을 통해 다중 도시 전이 가능성, 더 높은 해상도의 참조 데이터 영향, 그리고 연도별 계절적 변화에 대한 시간적 견고성을 평가합니다. 그 결과, 모든 데이터셋이 첫 번째와 두 번째 실험에서 각각 0.59-0.69 및 0.77-0.82 범위의 테스트 데이터 교차합(IoU)을 기록하며 강력한 성능을 보였습니다. TESSERA는 두 가지 설정 모두에서 S1S2와 AlphaEarth를 일관되게 능가했습니다. 예상대로, 임베딩 기반 모델의 연도 간 전이는 여전히 해결해야 할 과제로 남아 있습니다. 전반적으로, 우리의 결과는 지구 관측(EO) 파운데이션 모델에서 파생된 임베딩이 시간 소모적인 전처리 및 수동 특징 엔지니어링 작업을 줄이고, 범용 심층 학습 기반 LCZ 매핑 워크플로우를 안내할 수 있는 유망한 잠재력을 보여줍니다. 간단한 위치 인식 어텐션 U-Net 아키텍처와 결합될 때, 임베딩은 지역 전이 가능성과 확장성을 향상시켜 글로벌 도시 기후 응용을 위한 포괄적이고 재현 가능한 정밀 LCZ 지도의 개발을 지원합니다. 참조 데이터 품질을 개선하는 것은 추가적인 정확도 향상을 위한 가장 강력한 수단으로 남아 있습니다.
많은 밀집 예측(dense prediction) 네트워크는 가산적 특징 변환에 의존하며, 고차 특징 상호작용은 암묵적으로만 모델링한다. Product unit은 곱셈적 특징 모델링을 위한 명시적 메커니즘을 제공하지만, 로그-지수(logarithmic--exponential) 형식은 수치적 불안정성을 유발할 수 있어 딥 밀집 예측 네트워크에서의 사용이 제한되어 왔다. 본 연구에서는 Product-Unit U-Net(PU-UNet)를 제안한다. 이는 의료 이미지 분할을 위해 안정적인 product-unit 잔차 블록을 풍부한 저해상도 단계에 통합한 잔차 U-Net이다. 제안된 형식은 부드러운 양수 매핑과 로그 영역 클리핑을 결합하여, 무시할 만한 계산 오버헤드로 안정적인 곱셈적 특징 학습을 가능하게 한다. ISIC 2018, Kvasir-SEG, BUSI에서 PU-UNet은 각각 Dice 점수 0.942, 0.959, 최대 0.925를 달성한다. 동일 조건의 Residual U-Net 기준선과 비교하면, PU-UNet은 파라미터, FLOPs, 추론 지연시간을 거의 동일하게 유지하면서 Dice와 IoU를 일관되게 개선하며, 정상 BUSI 사례에서 이미지 수준 false-positive 비율을 0.077에서 0으로 줄인다. Ablation 연구는 이러한 향상이 product-unit 상호작용과 관련되어 있으며, 저해상도 배치에서 가장 강하고, 제안된 안정화 설계의 이점을 받는다고 시사한다. 이러한 결과는 안정적인 product-unit 잔차 학습이 명시적 곱셈적 상호작용으로 U-Net 스타일 분할 네트워크를 향상시키는 효과적인 방법이 될 수 있음을 시사한다.
유방암은 전 세계 여성의 암 관련 사망 원인 중 하나로, 효과적인 치료를 위해 조기 발견이 필수적이다. 유방촬영술(mammography)은 주요 선별 검사 방식이지만, 의심 병변의 정확한 경계 구분은 여전히 어렵고 판독자 간 변동성의 영향을 받는다. 자동화된 분할(segmentation) 방법은 일관적이고 효율적인 병변 위치 파악을 통해 방사선과 의사를 보조할 수 있다. 본 연구는 유방촬영 영상에서 유방 병변의 자동 분할을 위한 어텐션 강화 밀집 스킵 U-Net 아키텍처인 DSU-Net을 제안한다. 제안된 프레임워크는 밀집 스킵 연결(dense skip connections)과 어텐션 메커니즘을 통합하여 특징 전파를 개선하고, 공간 정보를 보존하며, 병변 경계 묘사를 향상시킨다. 실험은 CBIS-DDSM(Curated Breast Imaging Subset of the Digital Database for Screening Mammography) 데이터셋을 사용하여 수행되었다. 극심한 전경-배경 불균형을 해소하기 위해, 학습 시 Dice 손실, focal 손실, 이진 교차 엔트로피 손실을 결합한 복합 손실 함수를 적용하였다. 제안된 모델은 검증 데이터셋에서 Dice 유사도 계수(Dice Similarity Coefficient) 0.9421, IoU(Intersection over Union) 0.8905, 정확도 0.9711, AUC-ROC 0.9878을 달성하였다. 정성적 평가에서는 다양한 크기와 형태의 병변에 대한 정확한 경계 묘사가 확인되었으며, 정량적 결과는 병변과 배경 영역 간의 강인한 판별력을 입증하였다. 이러한 결과는 DSU-Net이 유방촬영 영상에서 정확하고 신뢰할 수 있는 유방 병변 분할을 제공함을 보여주며, 컴퓨터 보조 유방암 선별 및 진단을 위한 어텐션 기반 심층 학습의 가능성을 부각시킨다.
컴퓨터 비전은 지속적으로 성장하고 있는 분야이다. 1인칭 시점 기술의 발전과 함께 해당 분야 내에서 새로운 개발 기회가 등장하였다. 혼합 현실은 물리적 세계의 객체를 실시간으로 표시하는 가상 환경을 제공한다. 이를 위해 시뮬레이션된 환경에서 사용자의 몰입감을 고려하는 것이 필요하며, 가능한 원하는 현실에 점점 더 가깝게 만들고자 한다. 본 논문은 가상 이미지와 실제 이미지의 결합을 용이하게 하기 위해 이미지에서 전경과 배경을 식별하는 이미지 분할을 수행하는 이미지 처리 개발을 제안한다. 이를 위해 카메라를 통해 오프하이웨이 트럭 시뮬레이터 CAT793F를 사용하는 사용자의 실제 이미지를 획득하고, 인공지능 기법으로 해당 이미지의 분할을 수행한다. 합성곱 신경망 아키텍처인 "U-net"과 "DeepLabV3+"를 이미지 분할 수행에 적용하였다. 그 결과 약 90% 정확도의 지표가 제시되었으며 최적 모델이 결정되었다.
얼굴 이미지 초해상도(face image super-resolution)는 심각하게 저하된 입력으로부터 고해상도 얼굴 이미지를 복원하는 것을 목표로 합니다. 극단적인 업스케일링 배율에서는 세밀한 얼굴 디테일이 종종 손실되어 정확한 복원이 어렵습니다. 기존 방법들은 일반적으로 무거운 네트워크 아키텍처, 적대적 학습 방식, 또는 별도의 정렬(alignment) 네트워크에 의존하여 모델 복잡성과 연산 비용을 증가시킵니다. 이러한 문제를 해결하기 위해, 우리는 심각하게 저하된 $16{\times}16$ 입력으로부터 $128{\times}128$ 얼굴 이미지를 복원하여 $8\times$ 배율을 달성하도록 설계된 경량 U-Net 기반 아키텍처를 제안합니다. 핵심 기여는 개방형 어휘 객체 검출기인 YOLO-World가 생성한 히트맵을 활용하여 눈, 코, 입과 같은 주요 얼굴 특징을 국소화하는 새로운 보조 학습 불필요(auxiliary-training-free) 감독 전략입니다. 이 히트맵들은 공간적 가중치로 변환되어 의미적으로 중요한 영역에서의 복원 오류를 강조하는 히트맵 유도 손실을 형성합니다. 전용 랜드마크 또는 정렬 네트워크를 요구하는 기존 방법들과 달리, 우리의 접근법은 검출기 출력을 감독 신호로 직접 재사용하여 효율적인 학습 및 추론 파이프라인을 유지합니다. 정렬된 CelebA 데이터셋에 대한 실험은 제안된 손실이 정량적 지표를 일관되게 향상시키고 더 선명하며 사실적인 복원 결과를 생성함을 보여줍니다. 전반적으로, 우리의 결과는 경량 네트워크가 적대적 학습이나 연산 비용 증가 없이 검출 기반 사전 정보(detection-driven priors)를 효과적으로 활용하여 지각적으로 설득력 있는 극단적 업스케일링을 달성할 수 있음을 보여줍니다.