GAN 기반 X-ray 위협 탐지 고도화 및 픽셀 레벨 객체 분리 연구

GAN-based X-ray Threat Detection Enhancement and Pixel-level Object Separation Research

연구 내용

GAN 기반 합성·이상탐지로 X-ray 데이터의 불균형을 완화하고, 분할 기반 파이프라인으로 오탐을 억제하여 위협 탐지 성능을 개선하는 연구

본 연구는 대규모 X-ray 보안 영상에서 클래스 불균형과 오탐 증대 문제를 중심으로 수행됩니다. GAN 계열 생성 모델을 활용해 위협 객체를 합성하거나, 이상탐지 프레임으로 다중 위협 분류의 오탐 파열을 억제합니다. 또한 Faster R-CNN 기반의 위협 후보 지역화 후 DeepLabV3+로 픽셀 단위 검증을 결합하거나, 부분 라벨 환경에서도 단일 네트워크로 객체 분리를 학습하는 end-to-end 구조를 적용하여 탐지 파이프라인을 구성합니다.

관련 프로젝트

0건

연구 흐름

초기에는 2020년대에 X-ray 영상의 데이터 불균형과 실환경 대응 한계를 다루기 위해 GAN 기반 이미지 합성 및 이상탐지 접근을 적용하고, 위협 탐지에서 발생하는 오탐 문제를 관찰했습니다. 이후 2021년에는 후보 지역을 우선 국소화한 뒤 픽셀 수준 분할로 검증하는 2단계 파이프라인으로 오탐을 추가 억제하는 방향으로 확장했습니다. 2022년에는 부분 라벨로 인한 다단계 학습 복잡도를 낮추기 위해 end-to-end object separation 프레임을 제안하여 객체 제안과 분류 학습을 함께 수행하는 흐름으로 발전했습니다.

활용 가능성

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

X-ray 보안 검색 정확도 향상
불균형 데이터 학습 파이프라인
부분 라벨 기반 객체 분할 학습
오탐 억제형 실시간 탐지 전처리
위협 객체 합성 데이터 생성
다중 위협 분류 모델 고도화
픽셀 기반 위협 영역 검증
탐지 후보 지역화 모듈
산업용 검사 영상 분석
보안 게이트 운영 보조 시스템