뇌종양은 가장 치명적이고 파괴적이며 공격적인 질환 중 하나로 여겨지며, 환자의 기대수명을 유의하게 감소시킨다. 이러한 이유로 본 연구는 뇌종양 진단의 발전을 추구하면서, 자기공명영상(MRI) 뇌 스캔 분석을 위해 특화된 Enhanced Spatial Attention(ESA) 층을 통합하여 YOLOv5m 모델에 대한 중요한 성능 향상을 제시한다. 기존의 뇌종양 탐지 방법은 MRI에 대한 전문가의 해석에 크게 의존하는데, 이 과정은 높은 변이성과 인간 오류의 위험과 같은 어려움이 따른다. 본 연구의 혁신적인 접근은 ESA 층을 활용하여 두드러진 특징에 즉각적으로 집중함으로써, 일반적인 뇌종양—수막종, 뇌하수체, 그리고 신경교종—간의 구별 능력을 유의하게 향상시킨다. 향상된 정밀도로 공간 특징을 처리함으로써 모델은 위양성(false positive)을 최소화하고 탐지의 신뢰도를 극대화한다. 233명의 환자로부터 획득한 3064장의 T1 가중 조영 증강 MRI 이미지로 구성된 포괄적 데이터셋으로 검증한 결과, 수정된 YOLOv5m 아키텍처는 표준 모델에 비해 우수한 성능 지표를 보였으며, 자동화되고 정밀한 뇌종양 진단을 위한 임상 적용에서의 견고한 도구로서의 잠재력을 시사한다.

합성곱 신경망(convolutional neural networks, CNNs)은 얼굴 인식과 같은 많은 컴퓨터 비전 응용에서 널리 사용되는, 중요하고 강력한 인공지능 접근법으로 점차 인식되고 있다. CNN의 중요성은 복잡한 패턴을 인식하는 데 필수적인 계층적 특징을 학습·획득할 수 있는 능력에 있다. 그럼에도 불구하고 CNN의 복잡한 네트워크 설계는 상당한 계산 요구량을 초래한다. 이러한 문제를 해결하기 위해서는, CNN을 가속하기 위한 field-programmable gate arrays(FPGAs) 기반 시스템을 구축하는 것이 필수적이다. FPGA는 빠른 개발 역량, 에너지 효율성, 지연 시간 감소, 그리고 고도화된 재구성 가능성을 제공한다. 본 연구에서는 딥러닝을 활용한 얼굴 인식 솔루션을 제안하고, 이를 FPGA 플랫폼에 배치한다. 이 시스템은 특정 장소에 출입/접근하는 데 필요한 권한을 개인이 보유하고 있는지 여부를 감지한다. FPGA는 어떠한 인터넷 연결도 없이, 최대한의 보안 수준에서 이 시스템을 처리하는 역할을 담당한다. AlexNet, ResNet, VGG-16을 포함한 다양한 얼굴 인식 네트워크가 구현된다. 제안된 방법의 결과는, 계산 자원 요구량이 더 낮고 처리 속도 및 정확도가 우수하여 GoogLeNet 네트워크가 가장 적합함을 입증한다. 또한 본 시스템은 정확도, 지연 시간, 비용, 전력 소모의 관점에서 서로 다른 프로그래밍 접근의 성능을 평가하기 위해 세 가지 하드웨어 키트에 배치되었다. Raspberry Pi-3B 키트에서의 소프트웨어 프로그래밍은 약 70–75%의 인식 정확도를 보였으며, 처리를 위해 안정적인 인터넷 연결에 의존하였다. 인터넷 연결에 대한 이러한 의존성은 대역폭 소비를 증가시키고, ZYBO-Z7 보드의 하드웨어 프로그래밍과는 달리 요구되는 보안 기준을 충족하지 못한다. 그럼에도 불구하고 PYNQ-Z2 보드에서의 하드웨어/소프트웨어 공동 설계는 85%~87%의 정확도 수준을 달성하였다. 이 시스템은 인터넷 연결과 무관하게 독립적으로 동작하여 독립형 시스템이 되며, 비용도 절감된다.

본 논문은 자기공명영상(Magnetic Resonance Imaging, MRI)을 이용한 알츠하이머병(Alzheimer disease, AD) 분류의 발전을 위해 주의(attention) 메커니즘을 포함하는 새로운 합성곱 신경망(convolutional neural network, CNN) 모델을 제안한다. 제안된 모델의 아키텍처는 뇌 영상에서의 핵심 영역에 선택적으로 초점을 맞추면서 특징 추출을 향상시키도록 면밀히 설계되었으며, 이를 통해 진단 정확도를 개선하고자 한다. 또한 두개골 박리(skull stripping) 과제를 효과적으로 처리하기 위한 독창적 구성요소인 MRI 분할 블록(MRI Segmentation Block, MSB)을 도입하여, 복잡하고 다층적인 정보로부터 학습할 수 있는 모델의 능력을 부각하였다. MSB에 대한 상세한 실험적 평가를 수행하였으며, 그 결과 MSB는 기존 방법들에 비해 두개골 청소(cranial debridement) 과제에서 더 우수한 성능을 보였다. 실험은 다양한 MRI 스캔을 포함하였고, MSB의 정확도는 전문 영상의학과 의사들이 제공한 정답(ground truth) 주석에 대해 Dice 계수(Dice Coefficient) 및 Jaccard 지수(Jaccard Index)와 같은 지표를 통해 평가하였다. 결과는 MSB의 유효성을 뒷받침하며, 의료 영상 진단에서의 정밀도에 대한 새로운 벤치마크를 제시한다. 제안 방법은 MRI 스캔으로부터 다중 스케일 특징을 추출하기 위해 조밀 연결(densely connected) 신경망과 연결 단위(connection-wise) 주의 모델을 통합한다. 또한 주의 메커니즘은 알츠하이머병의 다양한 단계와 유의하게 연관된 두드러진 특징을 강조하도록 세밀하게 조정되어, 의료 영상 진단에서의 정밀도에 대한 새로운 벤치마크를 설정한다. 알츠하이머병 신경영상 이니셔티브(Alzheimer Disease Neuroimaging Initiative, ADNI) 데이터셋에 대한 광범위한 실험 결과, 본 방법은 기존의 전통적 접근법 및 최신 접근법에 비해 우수함을 입증하였으며, 본 모델은 높은 정확도와 계산 효율성을 동시에 달성하였다. 이는 자원이 제한된 임상 환경에서의 적용 가능성을 높인다. 본 연구는 AD 진단 과정에서의 중요한 진전을 의미하며, 임상 환경에서 환자 예후를 개선하는 데 잠재적 함의를 지닌다.

뇌종양은 가장 치명적이고 파괴적이며 공격적인 질환 중 하나로 여겨지며, 환자의 기대수명을 유의하게 감소시킨다. 이러한 이유로 본 연구는 뇌종양 진단의 발전을 추구하면서, 자기공명영상(MRI) 뇌 스캔 분석을 위해 특화된 Enhanced Spatial Attention(ESA) 층을 통합하여 YOLOv5m 모델에 대한 중요한 성능 향상을 제시한다. 기존의 뇌종양 탐지 방법은 MRI에 대한 전문가의 해석에 크게 의존하는데, 이 과정은 높은 변이성과 인간 오류의 위험과 같은 어려움이 따른다. 본 연구의 혁신적인 접근은 ESA 층을 활용하여 두드러진 특징에 즉각적으로 집중함으로써, 일반적인 뇌종양—수막종, 뇌하수체, 그리고 신경교종—간의 구별 능력을 유의하게 향상시킨다. 향상된 정밀도로 공간 특징을 처리함으로써 모델은 위양성(false positive)을 최소화하고 탐지의 신뢰도를 극대화한다. 233명의 환자로부터 획득한 3064장의 T1 가중 조영 증강 MRI 이미지로 구성된 포괄적 데이터셋으로 검증한 결과, 수정된 YOLOv5m 아키텍처는 표준 모델에 비해 우수한 성능 지표를 보였으며, 자동화되고 정밀한 뇌종양 진단을 위한 임상 적용에서의 견고한 도구로서의 잠재력을 시사한다.

합성곱 신경망(convolutional neural networks, CNNs)은 얼굴 인식과 같은 많은 컴퓨터 비전 응용에서 널리 사용되는, 중요하고 강력한 인공지능 접근법으로 점차 인식되고 있다. CNN의 중요성은 복잡한 패턴을 인식하는 데 필수적인 계층적 특징을 학습·획득할 수 있는 능력에 있다. 그럼에도 불구하고 CNN의 복잡한 네트워크 설계는 상당한 계산 요구량을 초래한다. 이러한 문제를 해결하기 위해서는, CNN을 가속하기 위한 field-programmable gate arrays(FPGAs) 기반 시스템을 구축하는 것이 필수적이다. FPGA는 빠른 개발 역량, 에너지 효율성, 지연 시간 감소, 그리고 고도화된 재구성 가능성을 제공한다. 본 연구에서는 딥러닝을 활용한 얼굴 인식 솔루션을 제안하고, 이를 FPGA 플랫폼에 배치한다. 이 시스템은 특정 장소에 출입/접근하는 데 필요한 권한을 개인이 보유하고 있는지 여부를 감지한다. FPGA는 어떠한 인터넷 연결도 없이, 최대한의 보안 수준에서 이 시스템을 처리하는 역할을 담당한다. AlexNet, ResNet, VGG-16을 포함한 다양한 얼굴 인식 네트워크가 구현된다. 제안된 방법의 결과는, 계산 자원 요구량이 더 낮고 처리 속도 및 정확도가 우수하여 GoogLeNet 네트워크가 가장 적합함을 입증한다. 또한 본 시스템은 정확도, 지연 시간, 비용, 전력 소모의 관점에서 서로 다른 프로그래밍 접근의 성능을 평가하기 위해 세 가지 하드웨어 키트에 배치되었다. Raspberry Pi-3B 키트에서의 소프트웨어 프로그래밍은 약 70–75%의 인식 정확도를 보였으며, 처리를 위해 안정적인 인터넷 연결에 의존하였다. 인터넷 연결에 대한 이러한 의존성은 대역폭 소비를 증가시키고, ZYBO-Z7 보드의 하드웨어 프로그래밍과는 달리 요구되는 보안 기준을 충족하지 못한다. 그럼에도 불구하고 PYNQ-Z2 보드에서의 하드웨어/소프트웨어 공동 설계는 85%~87%의 정확도 수준을 달성하였다. 이 시스템은 인터넷 연결과 무관하게 독립적으로 동작하여 독립형 시스템이 되며, 비용도 절감된다.

본 논문은 자기공명영상(Magnetic Resonance Imaging, MRI)을 이용한 알츠하이머병(Alzheimer disease, AD) 분류의 발전을 위해 주의(attention) 메커니즘을 포함하는 새로운 합성곱 신경망(convolutional neural network, CNN) 모델을 제안한다. 제안된 모델의 아키텍처는 뇌 영상에서의 핵심 영역에 선택적으로 초점을 맞추면서 특징 추출을 향상시키도록 면밀히 설계되었으며, 이를 통해 진단 정확도를 개선하고자 한다. 또한 두개골 박리(skull stripping) 과제를 효과적으로 처리하기 위한 독창적 구성요소인 MRI 분할 블록(MRI Segmentation Block, MSB)을 도입하여, 복잡하고 다층적인 정보로부터 학습할 수 있는 모델의 능력을 부각하였다. MSB에 대한 상세한 실험적 평가를 수행하였으며, 그 결과 MSB는 기존 방법들에 비해 두개골 청소(cranial debridement) 과제에서 더 우수한 성능을 보였다. 실험은 다양한 MRI 스캔을 포함하였고, MSB의 정확도는 전문 영상의학과 의사들이 제공한 정답(ground truth) 주석에 대해 Dice 계수(Dice Coefficient) 및 Jaccard 지수(Jaccard Index)와 같은 지표를 통해 평가하였다. 결과는 MSB의 유효성을 뒷받침하며, 의료 영상 진단에서의 정밀도에 대한 새로운 벤치마크를 제시한다. 제안 방법은 MRI 스캔으로부터 다중 스케일 특징을 추출하기 위해 조밀 연결(densely connected) 신경망과 연결 단위(connection-wise) 주의 모델을 통합한다. 또한 주의 메커니즘은 알츠하이머병의 다양한 단계와 유의하게 연관된 두드러진 특징을 강조하도록 세밀하게 조정되어, 의료 영상 진단에서의 정밀도에 대한 새로운 벤치마크를 설정한다. 알츠하이머병 신경영상 이니셔티브(Alzheimer Disease Neuroimaging Initiative, ADNI) 데이터셋에 대한 광범위한 실험 결과, 본 방법은 기존의 전통적 접근법 및 최신 접근법에 비해 우수함을 입증하였으며, 본 모델은 높은 정확도와 계산 효율성을 동시에 달성하였다. 이는 자원이 제한된 임상 환경에서의 적용 가능성을 높인다. 본 연구는 AD 진단 과정에서의 중요한 진전을 의미하며, 임상 환경에서 환자 예후를 개선하는 데 잠재적 함의를 지닌다.

조직병리 영상에서 세포 핵을 분할하는 일은 계산 병리학에서 매우 중요한 과정이며, 질병 진단의 정확성뿐 아니라 바이오마커 분석 및 대규모로 수행되는 세포 평가에도 영향을 미친다. 많은 딥러닝 모델이 전역 및 국소 특징을 추출할 수 있음에도 불구하고, 특히 핵이 서로 겹치거나 형태가 변형된 경우에는 의미적 문맥과 정밀한 경계 정확성 사이의 균형을 잘 맞추는 것이 여전히 어렵다. 본 논문에서는 Dual-Stream HyperFusionNet (DS-HFN)이라 명명한 새로운 딥러닝 모델을 제안하며, 이를 통해 먼저 두 특징을 분리한 다음 융합함으로써 견고한 핵 분할 과제를 위해 전역 문맥 및 경계에 민감한 특징을 명시적으로 표현할 수 있다. DS-HFN의 이중 스트림 인코더는 의미론적 특징과 에지 중심의 특징을 동시에 획득할 수 있으며, 이후 attention-driven HyperFeature Embedding Module (HFEM)의 도움을 받아 결합될 수 있다. 또한 이중 디코더 개념과 Gradient-Aligned Loss Function은, 예측된 분할 그라디언트가 정답 윤곽(ground-truth contours)과 일치하도록 하여 구조적 정밀도를 향상시킨다. TNBC 및 MoNuSeg와 같은 다양한 벤치마크 데이터셋에서 DS-HFN은 모든 평가 지표에서 다른 30개의 최신(state-of-the-art) 모델보다 더 나은 성능을 달성할 뿐 아니라 계산 비용도 더 낮다. 이러한 결과는 DS-HFN이 디지털 병리에서 다양한 조직 전반에 걸쳐 임상 진단 및 바이오마커 분석에 필수적인 정확한 핵 분할의 역량을 제공함을 시사한다.

시선 추정은 가상현실, 증강현실 및 운전자 모니터링 시스템을 아우르는 다양한 응용 분야에서 점점 더 핵심적인 역할을 하고 있으며, 모바일 배치 환경을 위한 효율적이면서도 정확한 모델이 요구된다. 현재의 방법론은 종종 모바일 환경에서 특히 그 한계를 드러내는데, 이는 과도한 계산 요구량이 크거나 복잡한 전처리에 의존하기 때문이다. 이러한 제한을 해결하기 위해, 본 연구는 캡슐 네트워크의 강점을 활용하면서 MobileNet v2, MobileOne, ResNet-18과 같은 경량 아키텍처와 이를 통합하는 혁신적인 시선 추정 프레임워크 Mobile-GazeCapsNet을 제안한다. 이 프레임워크는 안면 랜드마크 탐지를 필요로 하지 않을 뿐 아니라, 모바일 기기에서의 실시간 동작성을 유의미하게 향상시킨다. Self-Attention Routing을 새롭게 활용함으로써 GazeCapsNet은 계산 자원을 동적으로 할당하여 정확성과 효율성을 모두 개선한다. 본 연구 결과에 따르면, GazeCapsNet은 Self-Attention Routing(SAR)을 통해 시선 추정을 위한 캡슐 네트워크를 최적화함으로써 기존 모델 대비 최대 15%의 MAE(평균 각도 오차) 감소를 달성하며, ETH-XGaze 및 Gaze360을 포함한 여러 벤치마크 데이터셋에서 경쟁력 있는 성능을 보인다. 또한 본 모델은 프레임당 20밀리초의 실시간 처리 능력을 유지하면서 1,170만 개의 파라미터만을 필요로 하여, 자원이 제한된 환경에서의 실시간 응용에 특히 적합하다. 이러한 결과는 Mobile-GazeCapsNet의 효율성과 실용성을 입증할 뿐 아니라, 모바일 시선 추정 기술에 대한 새로운 기준을 제시한다.

산불의 영향과 발생 빈도의 증가는 대중, 경제, 그리고 지구 생태계에 위협이 된다. 생리적으로 쇠약해지거나 고사한 수목은 산불의 큰 부분을 차지하는데, 이는 이러한 수목이 더 높은 점화 가능성을 가지며 수분 함량이 낮기 때문이다. 산불을 예방하기 위해서는 위험한 식생을 제거해야 하며, 식생은 초기 단계에서 식별되어야 한다. 본 연구는 UAV 영상을 이용한 실시간 화재 위험 수목 탐지 프레임워크를 제안하며, 이는 경량 객체 탐지에 기반한다. 이 모델은 엣지 배치를 위해 최적화된 MobileNetV3-Small backbone과 SSD 헤드를 결합하여 구성한다. 이러한 설정은 고도로 최적화되고 빠른 UAV 기반 추론 파이프라인을 산출한다. 본 연구에서 사용한 데이터셋은 건강함, 부분 고사, 완전 고사 상태의 수목에 대한 3000편이 넘는 주석이 달린 RGB UAV 이미지로 구성되며, 혼합된 실제 산림 장면과 공개 드론 영상 저장소에서 수집되었다. 면밀한 평가는 제안 모델이 기존의 SSD 및 최근의 YOLO 모델들보다 정밀도(94.1%), 재현율(93.7%), mAP(90.7%), F1(91.0%)에서 더 우수하면서도 경량(8.7 MB)이고 빠르며(Jetson Xavier NX에서 62.5 FPS), 그 성능을 철저히 입증한다. 이러한 결과는 건강 저하를 감지하고 산불 위험을 사전에 완화하기 위한 대규모의 연속적 산림 모니터링에서 모델의 효과를 강력히 뒷받침한다. 본 프레임워크는 UAV 기반 환경 모니터링 시스템으로서, 탐지 정확도, 속도, 자원 효율 간의 균형을 기본 원칙으로 통합함으로써 차별화된다.

지상부 바이오매스(AGB)와 탄소 격리량의 정확한 정량화는 육상 생태계 역동성을 모니터링하고, 기후 정책을 수립하며, 탄소 중립 이니셔티브를 지원하는 데 필수적이다. 그러나 전통적 방법—수작업 현장조사부터 2D 식생 지수에만 기반한 원격탐사 기법에 이르기까지—는 종종 산림 수관의 복잡한 스펙트럼 및 구조적 이질성을, 특히 미세한 공간 해상도에서 포착하지 못한다. 이러한 한계를 해결하기 위해 본 연구에서는 무인항공기(UAV) 촬영 영상을 고공간 충실도로 활용하여 AGB 및 관련 탄소 저장고를 추정하기 위한 새로운 종단간(end-to-end) 멀티모달 딥러닝 프레임워크인 ForestIQNet을 제안한다. ForestIQNet은 다중분광 UAV 영상 처리를 위한 듀얼 스트림 인코더와 복셀화된 수관고도모델(CHM)을 사용하며, Cross-Attentional Feature Fusion (CAFF) 모듈을 통해 융합하여 스펙트럼 반사도와 3D 구조 간의 세밀한 상호작용을 가능하게 한다. 이어 경량 Transformer 기반 회귀 헤드가 AGB와 CO2e에 대한 다중과제(multitask) 예측을 수행하며, 장거리 공간 의존성을 포착하고 일반화를 향상시킨다. 제안 방법은 AGB 예측에서 R2 0.93 및 RMSE 6.1 kg을 달성하였으며, 이는 XGBoost의 경우 R2 0.78 및 RMSE 11.7 kg, Random Forest의 경우 R2 0.73 및 RMSE 13.2 kg과 비교된다. 비록 아키텍처의 복잡성이 존재하더라도 ForestIQNet은 낮은 추론 비용(패치당 27 ms)을 유지하면서 종(species), 지형(terrain), 수관 구조(canopy structures)에 걸쳐 우수한 일반화 성능을 보인다. 이러한 결과는 UAV 기반 바이오매스 추정에 대한 새로운 벤치마크를 제시하며, 기후 모니터링과 산림 관리에 활용 가능한 확장성 있고 해석 가능한 도구를 제공한다.