arXiv:2609.23714v1 cs.CV

컴퓨터 비전과 불균형 인지 학습을 이용한 전염성 소 눈병 감지

Infectious Bovine Pinkeye Detection Using Computer Vision and Imbalance-Aware Learning

Michael Abalo, Jameson Brennan, Hossein Moradi Rekabdarkolaee

제출 2026-09-22

한국어 초록

전염성 소 눈병은 가축의 건강, 복지, 농업 생산성에 악영향을 미치는 전염성 안구 질환이다. 기존 진단은 주로 임상 관찰에 의존하는데, 이는 주관적일 수 있고 시간이 많이 들며, 대규모 목장이나 원격 환경에서 효율적으로 시행하기 어렵다. 본 연구는 You Only Look Once(YOLO) v11과 YOLOv26을 평가·비교하여 소 눈병의 자동 분류를 수행하고, 클래스 균형화 전략이 모델 성능에 미치는 영향을 조사했다. 각 아키텍처의 다섯 가지 변형(n, s, m, l, x)을 원본 불균형 데이터셋, Random Minority Oversampling(RMO), 적응형 Synthetic Minority Oversampling Technique(SMOTE)을 사용하여 학습·평가했다. YOLOv11과 YOLOv26 모두 강한 분류 성능을 보였으나, 클래스 균형화의 효과는 모델 변형마다 달랐다. YOLOv11의 경우 RMO-s는 정확도 0.99, macro F1-score 0.98, true positive rate(TPR) 1.00을 달성했으며 false-negative 분류는 없었다. RMO-m 역시 TPR 1.00과 false negative가 없었다. YOLOv26의 경우 원본 l, RMO-m, RMO-l 변형 각각 정확도 0.99, macro F1-score 0.98을 달성했고, RMO-l은 TPR 1.00과 false negative가 없었다. 전반적으로 RMO는 적응형 SMOTE보다 소수 클래스 탐지에서 더 큰 개선을 주는 경우가 많았으며, 원본 YOLOv26-l의 우수한 성능은 모든 모델 변형에 오버샘플링이 필요하지 않음을 보여준다. 이러한 결과는 YOLOv11과 YOLOv26이 소 눈병 자동 감지에 잠재력이 있음을 보여 주며, 가축 건강 모니터링을 위한 추가 평가를 뒷받침한다.

원문 초록

Infectious bovine pinkeye is a contagious ocular disease that adversely affects cattle health, welfare, and agricultural productivity. Conventional diagnosis relies primarily on clinical observation, which can be subjective, time-consuming, and difficult to implement efficiently in large herds or remote settings. This study evaluated and compared You Only Look Once (YOLO) v11 and YOLOv26 for automated bovine pinkeye classification and investigated the effects of class-balancing strategies on model performance. Five variants (n, s, m, l, and x) of each architecture were trained and evaluated using the original imbalanced dataset, Random Minority Oversampling (RMO), and an adapted Synthetic Minority Oversampling Technique (SMOTE). Both YOLOv11 and YOLOv26 demonstrated strong classification performance, although the effects of class balancing varied across model variants. For YOLOv11, RMO-s achieved an accuracy of 0.99, a macro F1-score of 0.98, and a true positive rate (TPR) of 1.00, with no false-negative classifications. RMO-m also achieved a TPR of 1.00 with no false negatives. For YOLOv26, the original l, RMO-m, and RMO-l variants each achieved an accuracy of 0.99 and a macro F1-score of 0.98, with RMO-l attaining a TPR of 1.00 and no false negatives. Overall, RMO generally provided greater improvements in minority-class detection than adapted SMOTE, whereas the strong performance of the original YOLOv26-l demonstrates that oversampling was not necessary for all model variants. These findings demonstrate the potential of YOLOv11 and YOLOv26 for automated detection of bovine pinkeye and support further evaluation for livestock health monitoring.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.23714v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26920v1cs.CV공통 태그 Image Classification, Binary Classification, Diagnostic

자동 신세포암 등급 분류를 위한 조직병리학 및 CT 기반 교차 모달 대조 학습

Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading

배경: 투명세포 신세포암(ccRCC)은 상당한 임상적 이질성을 보이며, 위험 계층화 및 치료 계획 수립을 위해서는 정확한 등급 평가가 필수적이다. 그러나 기존의 등급 평가는 침습적인 조직 채취를 필요로 한다. 본 연구에서는 비침습적인 CT 기반 ccRCC 등급 예측을 개선하기 위해 학습(training) 중 쌍을 이룬 조직병리학 및 컴퓨터 단층촬영(CT) 데이터를 활용하는 교차 모달 대조 학습(cross-modal contrastive learning) 프레임워크인 RCC-Align을 개발했다. 방법: RCC-Align은 대조 교차 모달 목적함수를 통해 쌍을 이룬 전체 슬라이드 조직병리학 이미지(WSI)와 CT 스캔을 정렬하여 미시적인 조직 형태학으로부터 거시적인 방사선학적 표현으로 등급 판별 정보를 전달한다. 이 프레임워크는 환자 수준의 5겹 교차 검증(validation)을 사용하여 쌍을 이룬 TCGA 및 CPTAC 코호트에서 학습 및 평가되었다. 저등급 대 고등급 ccRCC 분류(classification) 성능을 CT 전용 베이스라인(DINOv2-Base 및 DINOv2-Finetuned)과 WSI 기반 참조 모델(model)(GigaPath-Finetuned)과 비교했다. 교차 모달 정렬은 코사인 유사도 분석을 사용하여 평가되었다. 결과: RCC-Align은 0.601의 AUC(95% CI, 0.524-0.673) 및 0.599의 AUPRC(95% CI, 0.541-0.676)를 달성하여 유의하게 향상된 저등급 예측 성능(p = 0.004)과 함께 DINOv2-Finetuned(AUC 0.545, AUPRC 0.543)를 능가했다. 또한 RCC-Align은 베이스라인과 비교하여 더 강력한 쌍 WSI-CT 임베딩(embedding) 정렬을 보였다. WSI 기반 GigaPath 참조 모델은 0.719의 AUC를 달성했다. 결론: 병리학 유도 대조 학습은 추론(inference) 시 CT만 필요로 하면서도 CT 기반 ccRCC 등급 분류를 개선한다. 이러한 접근법은 생검이 안전하지 않거나 불가능하거나 종양 내 이질성으로 인해 제한될 때 조직 진단을 보완할 수 있다. 임상적 적용 전 외부 테스트를 포함한 더 크고 다기관인 코호트에서의 검증이 필요하다.

arXiv:2609.23832v1cs.CV공통 태그 Image Classification, Binary Classification, Diagnostic

활성 트라코마 분류를 위한 DINOv2의 성능 비교 및 매개변수 효율적 적응

Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification

결막 사진의 자동 등급 분류는 트라코마 유병률 조사의 비용과 변동성을 줄일 수 있지만, 공통 프로토콜 하에서 최신 사전학습 시각 표현, 경량 특징 적응, 학습 목표 설계의 상대적 가치는 아직 확립되지 않았다. 본 연구는 공개 UCSF/Lietman 컬렉션의 1,546장 이미지를 사용하여 Trachomatous Inflammation-Follicular(TF) 대 Normal의 이진 분류에 대한 통제된 평가를 제시한다. 이미지는 제로샷 tarsal-conjunctiva 분할, 정렬, 크롭, 표준화를 위해 OPTED 파이프라인으로 처리한다. 먼저 공통 분류 파이프라인으로 여섯 가지 사전학습 백본을 비교한 뒤, DINOv2 ViT-B/14에 네 가지 경량 적응 메커니즘을 평가한다. 계층화 5-fold 교차 검증 하에서, Efficient Channel Attention(ECA)과 focal-plus-center 손실을 적용한 DINOv2는 91.66 +/- 0.97% 정확도, 90.69 +/- 1.10% macro-F1, 96.06 +/- 0.71% AUC를 달성했다. ECA는 학습 가능 매개변수 다섯 개만 추가하면서 훨씬 큰 대안과 동등한 성능을 냈다. 목적 함수 ablation은 ECA가 손실 함수 전반에서 plain DINOv2를 일관되게 개선하지 않았음을 추가로 보여주었으며, 분산이 가장 낮은 91.66% 정확도는 교차 엔트로피와 center loss로 얻었다. 전반적으로, 파인튜닝된 DINOv2 표현이 예측 성능의 대부분을 제공했고, ECA는 학습 목표에 따라 효과가 달라지는 매우 매개변수 효율적인 정제를 제공했다. 결과 워크플로는 활성 트라코마 이미지 분류를 위한 재현 가능한 벤치마크를 제공한다.

arXiv:2610.13675v1eess.IV공통 태그 Image Classification, Binary Classification

멀티모달 의사결정 모델이 유방 초음파 이미지를 분류할 수 있는가? 프롬프트와 데이터셋 전반에 걸친 CLEF 및 CLEF-Flash 벤치마킹

Can Multimodal Decision Models Classify Breast Ultrasound Images? Benchmarking CLEF and CLEF-Flash Across Prompts and Datasets

멀티모달 의사결정 모델은 사전에 정의된 대안들에 대한 확률을 반환하여 이미지 분류를 위한 구조화된 인터페이스를 제공한다. 본 연구는 Dataset B, BUSI, BUS-BRA에서 수집한 2818개의 유방 초음파 이미지에 대해 CLEF 및 CLEF-Flash를 사용한 추론을 벤치마킹한다. Dataset B와 BUS-BRA는 이진 양성-악성 분류를 사용하는 반면, BUSI는 정상, 양성, 악성 범주를 포함한다. 모델 파라미터는 변경하지 않은 채 유지되며, 원본 이미지는 사용자 정의 전처리 없이 입력된다. 세 가지 프롬프트는 최소한의 라벨, 명시적인 분류 태스크, 또는 초음파 검사 기준을 제공한다. 본 연구에서는 정확도, 매크로 F1, 균형 정확도, 매크로 정밀도, 처리량, 지연 시간을 보고한다. 임상 프롬프트를 적용한 CLEF-Flash는 세 데이터셋 모두에서 가장 높은 정확도를 달성하여 Dataset B에서 74.85%, BUSI에서 66.28%, BUS-BRA에서 51.63%를 기록했다. 그러나 BUSI에서는 태스크 유도 프롬프트를 적용한 CLEF가 가장 높은 매크로 F1(64.51%)과 균형 정확도(68.72%)를 달성했다. CLEF-Flash는 일치 조건으로 비교한 모든 경우에서 더 낮은 지연 시간을 보였다. 임상 지침 프롬프트는 최소 프롬프트 대비 CLEF-Flash의 정확도를 향상시켰으나, 모든 데이터셋에서 CLEF의 정확도는 감소시켰다. 혼동 행렬을 통해 양성을 악성으로 오분류하는 오류가 빈번함을 확인했으며, 특히 BUS-BRA에서는 모든 구성이 다수 클래스 예측기의 정확도인 67.63%에 미치지 못했다. 이러한 결과는 성능이 데이터셋과 프롬프트에 따라 달라짐을 보여주며, 유방 초음파 분석에 멀티모달 의사결정 모델을 적용하기 전에 클래스별 평가가 선행되어야 함을 시사한다.

arXiv:2609.27222v1cs.SD공통 태그 Binary Classification, Diagnostic

장기요양 거주자 폐렴 탐지를 위한 생리학적 정보 기반 디지털 청진

Physiologically Informed Digital Auscultation for Pneumonia Detection in Long-term Care Residents

폐렴은 고령 장기요양 시설 거주자에서 진단하기 어렵다. 다중 질환과 비전형적 임상 양상이 징후를 흐리게 하여, 운영상 효율적인 객관적 검사의 필요성이 커진다. 본 연구는 방사선 전문의가 확인한 흉부 X-ray와 임상의 진단을 지도 신호로 삼아 합성곱 신경망, 다중 양식 융합, 채널 기반 변형을 학습하고, 시간 영역 Grad-CAM 해석 가능성을 함께 적용하여, 일본 거주자 185명(폐렴 73명, 증상은 있으나 폐렴 없음 112명)의 다채널 디지털 청진기 녹음을 분석했다. 모델은 반복 환자 수준 교차 검증으로 평가했으며, X-ray 지도를 사용한 모델이 임상의 지도보다 우수했다(F1 0.729, 정확도 0.783 대 F1 0.637, 정확도 0.711). 또한 3채널 선택 프로토콜은 성능을 유지했다(F1 0.736, 정확도 0.803). 중흉부 두 부위가 가장 높은 순위를 보였고, Grad-CAM 어텐션은 이상 호흡음과 겹쳤다. 이 결과는 자동화된 다채널 폐음 분석이 장기요양 환경에서 폐렴 진단을 보조할 수 있음을 시사하며, X-ray 지도가 임상 지도보다 더 신뢰할 수 있고, 채널 수를 줄여도 성능을 유지하면서 취득 시간을 단축할 수 있음을 보여준다.

arXiv:2609.27865v1cs.LG공통 태그 Image Classification, Diagnostic

무엇이 바뀌었는가? 실제·가상·비교 불가 진단을 통한 드리프트 탐지

What Changed? Drift Detection with Real, Virtual, and Incomparable Diagnosis

깊은 인코더를 공유한다고 해서 그 자체만으로 과제 비교 점수의 핵심 교란(confound)을 해소하지는 못한다. 우리는 고정된 공유 표현 위에서 교차 평가된 head가 얕은 exchange 점수의 외삽(extrapolation) 교란을 그대로 물려받음을 보인다. 레이블은 고정한 채 순수 입력 회전만 적용하면 깊은 exchange 점수가 약 0에서 0.80까지 부풀어 오르는 반면, 표현-신규성(novelty) 점수는 상보적인 방향에서는 맹점이 있다(과제를 완전히 바꾸는 레이블 순열 아래에서는 평평하게 유지된다). 조건부 이중 판별자(two-discriminator) discrepancy를 임베딩 공간으로 이식하면 두 맹점을 모두 해소한다. 기능(functional) 축은 회전 아래에서 ±0.001 이내로 유지되고, 레이블 순열 드리프트 질량(drift mass)을 단조적으로 추적한다. mixture-of-heads 수명주기에 통합하면 두 축 게이트(two-axis gate)는 동일 학습 예산에서 exchange 또는 novelty 트리거보다 더 적은 head로 더 나은 의사결정 품질을 달성한다. 일반화된 범주 발견(generalized category discovery)에서는 동일한 청크 수준(chunk-level) 기능 축이 AUROC 0.98–0.99로 의미적 신규성(semantic novelty)과 photometric shift를 분리하는데, 입력별 OOD 점수(MSP, Energy, Mahalanobis, KNN)는 그 구분에 대해 거의 우연(chance) 수준에 머문다. 모든 결과는 CIFAR-100에서 frozen ImageNet-21k ViT-B/16과 자기지도(self-supervised) DINOv2 백본에서 재현되며, recurrence를 갖는 residual adapter pool로도 확장된다. null 보정 novelty 트리거는 메커니즘 변화에서 한 번도 발화하지 않는 반면, 두 축 게이트는 recurrence를 전부 재사용하여 이를 처리한다. 임베딩 공간에서의 결론이 원래 메커니즘으로 전이되기 위한 공통 요인화(common-factoring) 조건을 명시적으로 기술한다.

arXiv:2609.27457v1cs.CV공통 태그 Image Classification, Binary Classification

균형 정확도를 넘어서: 무인 항공기 전력선 점검에서 비전-언어 및 비전 전용 결함 평가를 위한 해상도 및 동등성 제어 벤치마크

Beyond Balanced Accuracy: A Resolution and Parity-Controlled Benchmark for Vision-Language and Vision-Only Defect Assessment in UAV Power-Line Inspection

무인 항공기(UAV) 전력선 결함 평가에서 비전-언어 모델(VLM)이 작업 특화 비전 백본의 성능을 능가한다고 종종 보고됩니다. 본 연구에서는 공개 InsPLAD 데이터셋에서 파생된 56,972개 항목의 벤치마크인 ElecVQA-Bench를 대상으로, 분할(partition), 평가 항목 세트, 레이블 공간, 반복 검증(replication), 입력 해상도, 부가 정보라는 6가지 평가 선택에 걸쳐 해당 주장을 검증합니다. 일치된 분할 조건에서 Swin 트랜스포머(Swin Transformer)와 가장 우수한 적응형 VLM 간의 이진 선별 차이는 0.03포인트에 불과합니다. 7개 클래스 결함 분류에서 비전 백본의 해상도를 224px에서 VLM 전처리기의 측정된 픽셀 예산으로 증가시키면 InternVL3.5-8B 대비 성능 격차가 ResNet-50의 경우 +20.53포인트에서 -0.57포인트로, Swin-T의 경우 +23.67포인트에서 +4.70포인트로 좁혀집니다. 픽셀 예산 감사를 통해 Qwen3-VL-8B의 매크로 재현율(macro recall)이 10.78포인트 변화하지만, 소스 픽셀을 일치시킨 InternVL 대조군에서도 Qwen은 56% 더 적은 시각적 토큰을 사용하면서도 여전히 7.43~13.61포인트 앞서므로, 소스 픽셀이나 토큰 예산 모두 두 VLM 간의 차이를 설명하지 못합니다. 2개 시드에 대한 전역 반복 검증 결과 Qwen의 이진 정확도와 7개 클래스 매크로 재현율은 각각 0.86포인트와 1.02포인트 변동합니다. 분할별 재학습 후 Qwen은 크롭 또는 이미지 수준에서 우위를 점하지 못하며, 14개 타워 및 3개 시드 반복 검증에서는 시드 간에 부호가 역전되어 ResNet-50의 평균 공통 6개 클래스 매크로 재현율 0.9509 대비 Qwen은 0.9085를 기록합니다. 어떤 분할 체제에서도 다중 비교 보정(multiple-comparison correction)을 거치고 살아남는 모델 패밀리 수준의 이점은 나타나지 않습니다. 본 연구는 VLM의 전반적인 우월성에 대한 주장보다는 벤치마크 감사 기여를 뒷받침합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.