10편의 한국어 분석 — 최신순으로 정렬했어요
자기 지도 학습에서 데이터 증강은 학습된 표현의 품질과 다양성에 큰 영향을 미치므로 핵심적인 역할을 한다. 그러나 기존 자기 지도 학습 방식 대부분은 고정된 확률적 증강 파이프라인에 의존하며, 적응형 대안들은 정책 탐색, 적대적 학습 또는 추가 최적화 절차에 따른 높은 비용을 요구한다. 본 논문에서는 자기 지도 시각적 표현 학습을 위한 ELM(Extreme Learning Machines) 기반의 경량 학습형 증강 프레임워크를 제안한다. 제안된 모듈은 이미지 의존적 변환 매개변수를 예측하고 이를 미분 가능한 증강 연산자를 통해 적…
정확한 의료 영상 분할은 조기 진단에 필수적이다. 기존 U-형 구조 기반 방법들은 디코더에서 서로 다른 레벨의 특징을 융합할 때 요소별 덧셈이나 연결을 사용하지만, 이는 불필요한 정보를 생성하여 특징 간의 상호보완성을 약화시키고 병변의 부정확한 위치 파악 및 경계 흐림을 초래한다. 이러한 문제를 해결하기 위해, 본 연구는 의료 영상 분할을 위한 다중 스케일 차분 네트워크(M2SNet)를 제안한다. 인코더에서 인접 레벨 간의 차이 특징을 생성하는 기본 차분 유닛(SU)을 설계하고, 이를 확장하여 픽셀 및 구조 수준의 차이 정보를 제…
본 조사는 이미지 캡셔닝, 시각 질의응답, 교차 모달 검색 등 시각-언어 작업을 중심으로 다중 모달 대규모 언어 모델(MLLM)에 대한 포괄적인 가이드를 제공한다. MLLM의 아키텍처, 훈련 파이프라인, 실제 적용 사례를 분석하며, 시각 인코더, 언어 모델 백본, 연결 모듈, 대조 사전 학습, 명령어 튜닝, 선호도 정렬 등을 다룬다. 정보 병목 현상, 데이터 처리 한계, 통계적 동시 발생 편향 등 아키텍처, 견고성, 평가에 영향을 미치는 근본적인 제약 조건을 조명한다. 시각-언어 시스템에 중점을 두며, 오디오 전용 모델이나 시각 …
최근 MVTecAD 및 VisA와 같은 기존 이상 감지 벤치마크에서 분할 AU-PRO 성능이 포화 상태에 이르러, 최첨단 모델 간의 변별력이 저하되고 있습니다. 이는 모델 비교를 어렵게 하고, 특히 머신러닝 결과의 확률적 특성을 고려할 때 분야 발전을 저해하는 요인으로 작용합니다. 본 연구는 이러한 한계를 극복하고자 MVTecAD2 데이터셋을 제안합니다. 이 데이터셋은 8개 객체 범주에서 8,000개 이상의 고해상도 이미지를 포함하며, 투명 및 중첩 객체, 암시야 및 역광 조명, 높은 분산의 정상 데이터, 극히 작은 결함 등 기존…
지난 10년간 딥러닝 모델은 시각 인지 과제에서 인간 수준을 넘어서는 성능을 보이며 자율주행, 모바일 기기, 로봇 공학 등 실제 응용 분야에 대한 관심을 높였습니다. 그러나 최첨단 모델들은 막대한 연산 자원을 요구하여 전력 소비, 지연 시간, 탄소 배출량 측면에서 실용적이지 않다는 문제가 있습니다. 이러한 효과성과 효율성 간의 상충 관계는 추론 시 연산 비용을 최소화하면서 만족스러운 성능을 달성하는 '연산 효율적인 딥러닝'이라는 새로운 연구 분야를 촉발했습니다. 본 연구는 빠르게 발전하는 이 분야를 네 가지 핵심 영역으로 분석합니…
확산 생성 모델은 이미지 및 비디오 생성과 같은 시각 영역에서 뛰어난 성능을 보였으며, 최근 로봇 조작 분야에서도 유망한 접근 방식으로 부상하고 있습니다. 이 모델들은 확률론적 프레임워크를 기반으로 다중 모드 분포를 모델링하고 고차원 입출력 공간에 대한 견고성을 제공합니다. 본 연구는 로봇 조작 분야의 최신 확산 모델을 종합적으로 검토합니다. 특히 파지 학습, 궤적 계획, 데이터 증강 등 다양한 응용 사례를 다룹니다. 장면 및 이미지 증강을 위한 확산 모델은 로봇 공학과 컴퓨터 비전의 교차점에 위치하며, 비전 기반 작업의 일반화 …
2016년 디지털 혁명 이후 인공지능(AI)은 다양한 분야에서 급성장했지만, AI의 '블랙박스' 특성은 특히 의료와 같은 중요 분야에서 심각한 우려를 낳고 있습니다. AI 시스템이 결정을 내리면서도 그 이유를 설명하지 못하는 점은 생명을 위협할 수 있는 의료 분야에서 치명적인 문제를 야기하며, 이는 생물의학 정보학 및 컴퓨팅 분야에서 활발히 논의되는 주제입니다. 이러한 문제를 해결하기 위해 설명 가능한 인공지능(XAI) 분야가 등장했습니다. XAI는 딥러닝(DL)과 같은 기존 AI 방식과 달리, 인간이 이해할 수 있는 방식으로 의…
의료 영상의 의미론적 분할은 질병 진단 및 치료 계획 수립에 필수적입니다. 딥러닝은 이 작업을 효과적으로 자동화하지만, 주석이 달린 분할 마스크의 희소성으로 인해 초저데이터 환경에서는 어려움을 겪습니다. 본 연구는 이러한 문제를 해결하기 위해 고품질 영상-마스크 쌍을 보조 훈련 데이터로 생성하는 생성 딥러닝 프레임워크를 제안합니다. 기존 생성 모델이 데이터 생성과 모델 훈련을 분리하는 것과 달리, 본 프레임워크는 다단계 최적화를 통해 종단간 데이터 생성을 수행합니다. 이는 분할 성능이 생성 과정을 유도하여, 분할 결과 개선에 최적…
설명 가능한 인공지능(XAI)은 복잡한 모델의 출력을 인간이 이해할 수 있도록 연결하는 것을 목표로 하며, 컴퓨터 비전 분야에서 그 중요성이 커지고 있습니다. 본 연구는 귀인 기반, 활성화 기반, 섭동 기반, 트랜스포머 기반의 네 가지 주요 XAI 방법론을 선별하여 비교 분석합니다. 이는 광범위한 문헌 검토를 통해 대표적인 접근 방식들을 집중적으로 다룹니다. 각 방법론은 고유한 방식으로 모델의 의사결정을 해석합니다. Grad-CAM과 같은 귀인 기반 방식은 기울기와 특징 활성화를 활용하여 입력 이미지의 핵심 영역을 강조합니다. 활…
이미지 데이터 증강은 컴퓨터 비전 분야에서 훈련 데이터셋의 다양성과 품질을 높여 머신러닝 모델의 성능과 견고성을 향상시키는 핵심 방법론입니다. 이는 또한 이미지의 맥락과 의미를 고려한 편집 및 수정에도 활용될 수 있습니다. 최근 생성형 인공지능 분야에서 가장 유망한 확산 모델(DMs)은 사실적이고 다양한 이미지를 생성하며 이미지 데이터 증강을 위한 강력한 도구로 부상했습니다. 본 연구는 이미지 증강을 위한 확산 모델 기반 접근 방식을 체계적이고 심층적으로 검토합니다. 먼저 확산 모델의 기본 원리, 모델 아키텍처 및 훈련 전략을 포…
