연구

MAE가 배경에 해당하는 저주파 정보에 치우쳐 판별에 필요한 고주파 구조를 충분히 학습하지 못하는 문제를 다뤘습니다. 고주파 정보와 인코더 표현 사이의 상호정보량을 높이는 정규화 항을 목적함수에 추가했습니다.

Paper

입력의 유효성만 가리는 OOD 필터에도 연산량이 큰 딥러닝 모델을 써야 하는지 살펴봤습니다. 밝기·대비·질감·형태를 나타내는 특징과 ExtraTrees로 경량 필터를 구성해 ResNet-18과 비교했습니다.

Paper

픽셀 라벨이 적고 객체별 크기와 빈도 차이가 큰 상황에서 의사 라벨의 오류가 쌓이는 문제를 다뤘습니다. 손실 가중치가 다른 두 네트워크 중 Dice가 높은 쪽의 예측을 의사 라벨로 쓰고, saliency map으로 신뢰할 수 있는 영역에만 일관성 손실을 적용했습니다.

Paper Code

큰 영상 안의 작은 관심 영역에 판별 정보가 모여 있고, 평가자마다 세부 라벨이 다른 문제를 다뤘습니다. 관심 영역을 잘라낸 뒤 서로 다른 백본의 예측을 합치고, 판정이 엇갈린 라벨은 masked loss로 학습에서 제외했습니다.

Paper Code

OOD 탐지 모델을 학습하려면 학습 분포 밖의 데이터를 따로 모아야 하는 문제를 다뤘습니다. CLIPseg로 학습 이미지의 객체 영역을 찾고 latent diffusion으로 해당 영역을 배경으로 채워, 기존 이미지에서 OOD 데이터를 만들었습니다.

Paper Code

분류 모델이 어떤 속성을 근거로 상위 카테고리를 판단했는지 알기 어려운 문제를 다뤘습니다. 저수준 속성을 먼저 예측해 상위 카테고리를 분류하고, 속성별 반사실적 기여도를 계산해 판단 근거를 확인할 수 있게 했습니다.

Paper

학습 때와 다른 대조도나 이미지 포맷이 들어왔을 때 모델의 판단이 달라지는 문제를 다뤘습니다. 한 가지 대조도로 학습한 모델을 여러 대조도와 포맷 조합에서 평가해 두 입력 조건의 영향을 나눠 살펴봤습니다.

Paper

공개 데이터가 없고 라벨이 적으며 클래스 불균형이 큰 환경에서 분할과 분류 문제를 다뤘습니다. Deep Ensemble과 TTA를 적용하고, 신뢰도가 높은 예측부터 학습 데이터에 단계적으로 추가했습니다.

Paper Code

기관마다 촬영 조건이 다르고 양성 데이터가 적으며, 위치 라벨 없이 이상 부위를 찾아야 하는 문제를 다뤘습니다. 관심 영역을 먼저 검출해 분류하고, 이미지 단위 라벨로 학습한 CAM으로 판단 근거가 된 위치를 확인했습니다.

Paper

랜덤 포레스트는 개별 트리의 분류력을 높이면 트리 사이의 예측도 비슷해지는 문제가 있습니다. 트리의 분할 분포에서 triplet을 샘플링해 같은 클래스는 가깝게, 다른 클래스는 멀어지도록 특징 공간을 학습했습니다.

Paper