소수 샷 분류와 장기 시퀀스 주의 기반 수면 단계 분류 연구

Few-shot Image Classification and Attention-based Sleep Staging for Long Sequences Research

연구 내용

소수 샷 영상 분류를 위한 Eigenimages 기반 방법과 장기 수면 시퀀스를 위한 압축 Vision Transformer 주의 모델을 결합한 연구

데이터가 제한된 상황에서 영상 분류 성능을 높이기 위해 Eigenimages 기반 분류 전략을 적용합니다. 또한 수면 단계처럼 긴 시퀀스를 다루는 문제에서는 pre-trained Vision Transformer with compression을 sequence encoder로 사용해 파라미터 부담을 줄이며, 두 단계 attention weighted sum을 통해 epoch 수준 정보의 가중 합을 구성합니다. epoch encoder는 bidirectional temporal convolutional network 기반으로 효율적인 특징 추출을 수행하고 multi-head two-step attention으로 장기 문맥을 반영하도록 설계합니다. 이러한 구성은 소규모 학습 데이터에서도 과적합을 완화하는 방향의 실험 결과를 포함합니다.

관련 프로젝트

0건

연구 흐름

초기에는 소수 샷 환경에서 영상 간 유사도와 표현을 안정적으로 활용하는 Eigenimages 기반 분류 연구를 수행합니다. 이후 의료 시퀀스 분류로 확장하여 수면 단계 인지 문제에서 긴 시퀀스로 인한 과적합과 학습 효율 문제를 다룹니다. pre-trained Vision Transformer with compression을 도입해 장기 문맥 처리를 가능하게 하고, epoch 수준 특징 추출을 위한 압축 인코딩과 two-step attention 구조로 가중 합을 정교화합니다. 최근에는 bidirectional temporal convolutional network 기반 epoch encoder와 attention 메커니즘을 결합해 시퀀스 길이에 대한 민감도를 낮추는 방향으로 발전시켰습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

수면 질환 진단 지원
수면 단계 자동 분류 파이프라인
장기 시퀀스 기반 의료 데이터 분석
소수 샷 영상 분류 모델
컴팩트 트랜스포머 인코더
주의 기반 시퀀스 요약 모듈
epoch 수준 특징 추출
데이터 효율적 전이학습
의료 영상/신호 분류 자동화
과적합 완화형 학습 전략