Towards Large-scale Single-shot Millimeter-wave Imaging for Low-cost Security Inspection
원문 초록
Millimeter-wave (MMW) imaging is emerging as a promising technique for safe security inspection. It achieves a delicate balance between imaging resolution, penetrability and human safety, resulting in higher resolution compared to low-frequency microwave, stronger penetrability compared to visible light, and stronger safety compared to X ray. Despite of recent advance in the last decades, the high cost of requisite large-scale antenna array hinders widespread adoption of MMW imaging in practice. To tackle this challenge, we report a large-scale single-shot MMW imaging framework using sparse antenna array, achieving low-cost but high-fidelity security inspection under an interpretable learning scheme. We first collected extensive full-sampled MMW echoes to study the statistical ranking of each element in the large-scale array. These elements are then sampled based on the ranking, building the experimentally optimal sparse sampling strategy that reduces the cost of antenna array by up to one order of magnitude. Additionally, we derived an untrained interpretable learning scheme, which realizes robust and accurate image reconstruction from sparsely sampled echoes. Last, we developed a neural network for automatic object detection, and experimentally demonstrated successful detection of concealed centimeter-sized targets using 10% sparse array, whereas all the other contemporary approaches failed at the same sample sampling ratio. The performance of the reported technique presents higher than 50% superiority over the existing MMW imaging schemes on various metrics including precision, recall, and mAP50. With such strong detection ability and order-of-magnitude cost reduction, we anticipate that this technique provides a practical way for large-scale single-shot MMW imaging, and could advocate its further practical applications.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
뼈 중첩은 흉부 X선 영상에서 이상 소견을 가릴 수 있으며, 짝지어진 학습 데이터의 부족은 지도 학습 기반 뼈 억제를 제한한다. 본 연구는 이러한 문제를 흉부 컴퓨터단층촬영(CT)을 성분 억제를 위한 짝지어진 지도 신호로 변환하는 디지털 재구성 방사선영상(DRR) 프레임워크로 해결한다. 새로운 뼈 분할 알고리즘을 통해 CT를 뼈, 폐를 제외한 연조직, 폐 성분으로 분해하고 각각을 별도로 투영한다. 이들의 가중 결합은 전체 DRR과 정확히 합산되는 픽셀 정합 성분 영상을 갖춘 합성 방사선영상을 만들어 낸다. 이러한 데이터로 학습한 모델은 대상 성분을 예측하고 나머지를 차감으로 복원하는 방식으로 뼈 또는 폐 성분을 억제하며, 실제 짝지어진 학습 데이터 없이도 실제 방사선영상으로 전이된다. 확장으로서, 실제 방사선영상에 대한 모델의 출력은 짝지어지지 않은 성분별 DRR 변환을 위한 목표 도메인을 제공하여, 해부학적 세부 구조를 유지하면서 외형 격차를 줄인다. 여러 공개 데이터셋에서 수행한 하위 검출 실험은 뼈 억제의 효용을 보여 주며, 그 이득은 뼈 중첩이 큰 이상 소견에 집중된다. 동일한 CT에 적용한 오픈소스 DRR 엔진과 비교할 때, 수정하지 않은 본 DRR은 현실감과 레이블 관련 해부 구조의 보존에서 대등한 수준을 달성하였으며, 변환된 DRR은 평가한 방법 중 가장 우수한 Fréchet inception distance(FID), 폐야 선명도, 원본 CT 해부 구조와의 일치도를 달성하였다. 모델 및 추론 코드: https://huggingface.co/qureaiorg/bone-suppression ; 변환된 투영 영상: https://huggingface.co/datasets/qureaiorg/ct2xr-projections.
수의 세포학에서 저비용 전산 꽃가루 분석을 위한 재구성 홀로그램과 설명 인식 평가
Reconstructed holograms and explanation-aware evaluation for low-cost computational pollen analysis in veterinary cytology
자동화된 꽃가루 분석은 수의 세포학(veterinary cytology)을 지원하지만, 명시야 현미경(brightfield microscopy)은 렌즈 없는 디지털 인라인 홀로그래픽 현미경(lens-less digital in-line holographic microscopy)보다 비용이 더 많이 들고 더 복잡하다. 본 연구는 재구성된 홀로그램이 이러한 격차를 줄일 수 있는지, 그리고 모달리티(modality) 변화 하에서도 모델 설명이 신뢰성을 유지하는지를 평가한다. 여섯 종의 꽃가루를 명시야 및 홀로그래픽 현미경으로 촬영하였다. 앵커 기반(anchor-based) 주석 전이(annotation transfer) 이후, 원본(raw), 단일 역전파(single back-propagation), 반복 위상 복원(iterative phase retrieval) 홀로그램을 YOLOv26s 검출과 MobileNetV4 분류로 평가하였다. 여섯 가지 어트리뷰션(attribution) 기법을 Attribution Health Inspection and Repair(AHIR) 프로토콜을 통해 공간적 그라운딩(spatial grounding)과 충실도(faithfulness) 측면에서 평가하였으며, 이 프로토콜은 약한 노이즈 하에서 모델의 취약성(brittleness)을 검사하고 필요시 어트리뷰션 맵의 세분성(granularity)을 보정한다. 명시야는 검출에서 0.6890 mAP50-95(0.8865 mAP50), 분류에서 0.9687 매크로(macro)-F1(0.9705 정확도)를 달성하였다. 재구성된 홀로그램은 과제에 따라 다른 양상으로 격차를 줄였다: p-type은 검출에서 0.5324 mAP50-95(0.8229 mAP50)로 가장 우수했고, r-type은 분류에서 0.7695 매크로-F1(0.7866 정확도)로 가장 우수했으며, 두 결과 모두 원본 홀로그램 베이스라인을 크게 상회하였다. 활성화 기반(activation-based) 설명은 꽃가루 입자에 강하게 국소화되었고, 영역 기반(region-based) 기법은 홀로그래피 하에서도 충실도의 약 60~80%를 유지하였다. 홀로그래픽 검출기는 약한 섭동(perturbation)에 매우 취약하여, 삭제 기반(deletion-based) 평가에서는 포화되었으나 삽입 기반(insertion-based) 평가에서는 여전히 유의미하였다. 픽셀 수준의 그래디언트 설명은 무작위 수준(random floor)에 근접했지만, 공간적 평활화(spatial smoothing)를 적용하자 p-type의 그래디언트 충실도가 0.05에서 0.51로 회복되었다. 홀로그래픽 분류의 경우, 섭동 기반 설명은 충실도를 유지한 반면 그래디언트 기반 기법은 무작위 수준 이하로 떨어졌다. 재구성은 저비용 홀로그래픽 꽃가루 분석을 개선하며, AHIR은 모델의 취약성과 맵 세분성으로 인한 인공물(artifact)과 진정한 어트리뷰션 실패를 구별해낸다.
MiTHras: 유사분열상 분석을 위한 작업 특화 계층적 준지도 대조 마스크드 오토인코더
MiTHras: Task-specific Hierarchical Semi-supervised Contrastive Masked Autoencoder for Mitotic Figure Analysis
유사분열상(MF, mitotic figure) 분석은 종양 등급 판정과 예후 평가를 뒷받침하지만, 자동화 모델은 조직 유형과 영상 획득 방식의 차이에 여전히 민감하다. 본 논문은 의사 레이블(pseudo-label) 기반의 이미지 및 토큰 수준 대조 학습(contrastive learning)과 마스크드 복원(masked reconstruction)을 결합한 작업 특화 사전학습(pretraining) 프레임워크인 MiTHras를 제안한다. 우리는 11개 장기 부위에 걸친 14개 TCGA 코호트에서 추출한 세포 중심 이미지 180만 장으로 구성된 코퍼스인 TCGA-MF-Pseudo를 구축한다. MF 분류(classification), 검출(detection), 개수 기반 생존 예측, 아형 분류에 대한 포괄적 평가를 통해 MiTHras의 효과를 입증한다. MiTHras는 세 가지 MF 분류 벤치마크 전부와 두 가지 아형 벤치마크 모두에서 가장 높은 평균 F1을 달성한다. 또한 MiTHras는 전체 미세조정(fine-tuning) 상황보다 인코더를 고정한 선형 프로빙(linear probing) 상황에서 범용 및 병리 파운데이션 인코더 대비 더 큰 마진(margin)으로 우수한 성능을 보인다. 검출 성능 향상은 후보 검출 단계를 공유하는 구조로 인해 다소 제한적이지만, 절제 실험(ablation)을 통해 토큰 수준 지도(supervision)가 전형-비전형(typical-versus-atypical) 분류와 선형 프로빙을 향상시킨다는 것이 확인된다. 이러한 결과는 MiTHras가 자동화된 유사분열 활성 평가를 위한 견고하고 전이 가능한 표현을 산출한다는 것을 입증한다.
탐지기는 잘못된 것을 학습한다: 물리적으로 실현 가능한 공격에 대항하는 단축 경로 저항적 적대적 학습
Detectors Learn the Wrong Thing: Shortcut-Resistant Adversarial Training Against Physically Realizable Attacks
AI 기반 시각 지각 시스템이 지능형 교통 인프라 및 자율주행 차량 관련 응용에 점점 더 배치되고 있다. 그러나 물리적으로 실현 가능한 적대적 외형은 이러한 안전성(safety)에 중요한 시스템에 상당한 신뢰성 과제를 제기한다. 적대적 학습(adversarial training)은 효과적이지만, 적대적 텍스처와 양성 person 인스턴스 간의 반복적 공발생은 탐지기가 텍스처 자체를 객체 존재의 증거로 취급하게 만들어 패치 텍스처 단축 경로(shortcut)를 형성할 수 있다. 탐지기는 그러면 텍스처를 대상에 대한 증거로 취급하여, 텍스처만 있는 입력에서 오탐을 유발하고 교차 공격 일반화를 약화시킬 수 있다. 우리는 탐지기가 적대적 텍스처를 독립적인 판단 단서로 사용하는 것을 방지하는 인스턴스 수준 대조(contrastive) 적대적 학습 프레임워크인 InsCAT를 제안한다. SICA는 적대적 person 특징(feature)을 대응하는 clean 특징과 정렬하고 텍스처만 있는 음성(negative) 샘플과 분리하며, ROPO와 Guard는 온라인 공격 압력을 유지하고 학습을 조율한다. 렌더링된 nuScenes, INRIAPerson, 인쇄 의류, 세 가지 탐지기 계열에서 독립적으로 생성된 8개의 공격 텍스처를 평가한다. InsCAT은 렌더링된 nuScenes에서 평균 공격 AP 82.3%를 달성하여, 가장 강한 기준선보다 11.1포인트 높다. AT-Mix 대비 텍스처 FPR은 46.9%에서 7.3%로 감소한다. 물리적 테스트는 F1 점수 96.6%와 FPR 1.8%를 산출한다. 별도로 학습된 탐지기에서의 일관된 성능 향상은 직접 추론으로 아키텍처 전반에 걸친 적용 가능성을 보여준다. 결과는 견고한(robust) 물리적 탐지가 대상 관련 증거를 보존하면서 적대적 텍스처가 독립적인 판단 단서가 되는 것을 방지하는 데 달려 있음을 보여준다.
자동 현미경 요검사를 위한 영상 기반 전초점 이미지 재구성 알고리즘
Video to All-in-focus Image Reconstruction Algorithm for Automated Microscopic Urinalysis
현미경 요검사는 병원에서 시행하는 일상적인 진단 검사이다. 최근 연구들은 현미경 요검사 자동화를 위한 심층 학습 방법의 효과를 입증하였다. 이러한 방법들은 각 세포를 명확히 식별할 수 있는 고품질 소변 샘플 이미지에 의존한다. 그러나 실제로는 유리 슬라이드 위의 소변 샘플이 다층 구조를 가지므로, 특정 초점면에 맞춘 렌즈의 피사계 깊이 내에서 모든 세포가 명확히 보이지 않는다. 따라서 주어진 소변 샘플에서 각 세포를 올바르게 식별하려면 서로 다른 초점면에서 여러 장의 이미지를 촬영해야 하며, 이는 시간이 많이 소요되는 작업이다. 본 논문에서는 여러 장의 이미지를 촬영하는 대신, 렌즈의 초점을 손으로 수동으로 서서히 변경하면서 영상을 녹화함으로써 이 작업을 단순화하는 방법을 제안한다. 영상의 일반적인 길이는 2~14초이다. 녹화된 영상 프레임으로부터 전초점(all-in-focus) 이미지를 재구성하고, 심층 학습 모델을 적용하여 요침사를 검출 및 분류한다. 개념 증명으로, 일반적인 진단 실험실 환경에서 훈련된 검사실 기술자가 촬영한 14개의 영상에 대해 실험을 수행하고, 새로운 재구성 알고리즘을 갖춘 제안된 자동 요검사 파이프라인의 효과를 보였다.
KnowZRel: Common Sense Knowledge-based Zero-Shot Relationship Retrieval for Generalised Scene Graph Generation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.