원격탐사(RS) 시대에는 삼림 벌채와 도시화와 같은 다양한 환경적 도전에 의해 토지피복 분류(LCC)에 대한 정확한 수요가 더욱 강화되고 있다. 기존의 접근법은 종종 분류에 얕은 특징에 의존하여, 공간적 패턴과 다양한 토지피복 유형을 포착하는 데 한계가 있다. 이에 본 연구는 이중 토지피복 어텐션 세그먼트를 탑재한 합성곱 신경망(CNN)을 활용하는 새로운 LCC 접근법을 제안한다. 제안된 모듈은 채널 주의(Channel Attention; CA)와 공간 주의(Spatial Attention; SA) 메커니즘을 통합하여 심층 모델의 판별 능력을 향상시킨다. 채널 간 및 공간 간의 관계를 활용함으로써, 이중 어텐션 모듈은 다양한 토지피복 유형, 공간적 패턴, 색상 변이를 식별할 수 있게 한다. 면밀한 실험을 통해 InceptionV3 특징 추출기가 제안된 네트워크 아키텍처를 위한 최적의 백본임이 확인되었다. 또한 다양한 토지피복 유형에 따른 문제를 해결하기 위해, 엄격하게 선별된 데이터셋을 활용한다. 더 나아가 모델의 효율성을 최적화하고 크기를 줄이기 위해, 개선된 모델 압축 접근법을 적용한다. 제안된 이중 토지피복 어텐션 네트워크(Dual Land Cover Attention Network; DLAN)의 유효성은 광범위한 실험을 통해 평가되었으며, 기존 방법들에 비해 우수한 성능을 보이는 것으로 나타났다. 결과는 DLAN이 지역 규모에서 세부적인 농업 구획, 환경 모니터링, 도시 계획을 가능하게 하면서 LCC 작업을 진전시키는 데 잠재력이 있음을 시사한다.

원격탐사(RS) 시대에는 삼림 벌채와 도시화와 같은 다양한 환경적 도전에 의해 토지피복 분류(LCC)에 대한 정확한 수요가 더욱 강화되고 있다. 기존의 접근법은 종종 분류에 얕은 특징에 의존하여, 공간적 패턴과 다양한 토지피복 유형을 포착하는 데 한계가 있다. 이에 본 연구는 이중 토지피복 어텐션 세그먼트를 탑재한 합성곱 신경망(CNN)을 활용하는 새로운 LCC 접근법을 제안한다. 제안된 모듈은 채널 주의(Channel Attention; CA)와 공간 주의(Spatial Attention; SA) 메커니즘을 통합하여 심층 모델의 판별 능력을 향상시킨다. 채널 간 및 공간 간의 관계를 활용함으로써, 이중 어텐션 모듈은 다양한 토지피복 유형, 공간적 패턴, 색상 변이를 식별할 수 있게 한다. 면밀한 실험을 통해 InceptionV3 특징 추출기가 제안된 네트워크 아키텍처를 위한 최적의 백본임이 확인되었다. 또한 다양한 토지피복 유형에 따른 문제를 해결하기 위해, 엄격하게 선별된 데이터셋을 활용한다. 더 나아가 모델의 효율성을 최적화하고 크기를 줄이기 위해, 개선된 모델 압축 접근법을 적용한다. 제안된 이중 토지피복 어텐션 네트워크(Dual Land Cover Attention Network; DLAN)의 유효성은 광범위한 실험을 통해 평가되었으며, 기존 방법들에 비해 우수한 성능을 보이는 것으로 나타났다. 결과는 DLAN이 지역 규모에서 세부적인 농업 구획, 환경 모니터링, 도시 계획을 가능하게 하면서 LCC 작업을 진전시키는 데 잠재력이 있음을 시사한다.

노후화된 기반시설은, 감지되지 않은 구조적 결함이 치명적인 고장으로 이어질 수 있다는 점에서 중대한 안전 위험을 초래한다. 전통적인 수동 점검 접근법은 노동 집약적이고 시간 소모가 크며, 인간 오류에 취약하다고 여겨진다. 본 연구는 노후 건축물의 결함을 탐지하도록 특별히 설계된 트랜스포머 기반 결함 탐지 프레임워크를 제안함으로써 수동 방법의 기존 문제를 해결하고자 한다. 트랜스포머 기반 모델은 자기 주의(self-attention) 메커니즘에 의존하여 관련 이미지 영역에 동적으로 초점을 맞춘다. 이 접근법은 원거리의 문맥 의존성을 포착하고 결함 양상의 변이에 적응함으로써 기존의 합성곱 신경망이 지니는 한계를 회피한다. 실제 환경에서의 다양한 상황에 대한 모델의 일반화 가능성과 적응성을 향상시키기 위해, 조명 조건, 각도 및 환경 요인의 차이를 처리하는 데이터 전처리 모듈을 제안한다. 또한 제안된 모델은 정확한 결함 탐지를 위한 학습 과정을 개선하고 안정화하기 위해, 새로운 분류 손실(classification loss)과 매칭 비용(matching cost)을 최신 탐지 트랜스포머(DETR)와 개선된 디노이징 앵커 박스(DINO) 모델에 통합하여 성능을 향상시킨다. 프레임워크의 다중 스케일 특징으로부터 주의 가중치(attention weights)를 분석하고 시각화할 수 있다는 점은 투명성을 높이고 자동 결함 탐지 시스템에 대한 신뢰를 구축한다. 실험 결과는 AD-TR 프레임워크가 평균 mean average precision(mAP) 83.1%로 경쟁적인 심층학습 기반 객체 탐지 모델을 능가함을 보여준다.

이 포괄적 문헌고찰은 의료영상(MI) 분야에서의 설명가능 인공지능(Explainable Artificial Intelligence, XAI) 기법의 최신 발전을 탐구한다. 지난 10년 동안 기계학습(Machine Learning, ML)과 딥러닝(Deep Learning, DL) 기술은 질병 진단, 의료영상 분할, 다양한 의학적 상태의 탐지와 같은 과제에서의 진전을 가능하게 하며 의료 분야에서 상당한 성과를 이루었다. 그러나 이러한 성과에도 불구하고 임상 실무에서 AI 기반 도구의 광범위한 도입은 여전히 더딘데, 이는 주로 많은 AI 모델의 ‘블랙박스’적 특성 때문이다. 이러한 모델은 명확한 추론 없이 결정을 내리며, 이는 책임성과 신뢰가 무엇보다 중요한 핵심적인 의료 및 법적 환경에서 중대한 장벽을 초래한다. 본 고찰은 이러한 문제를 해결할 가능성을 평가하기 위해 내재적(intrinsic) 방법과 사후적(post-hoc) 방법을 모두 포함하는 다양한 XAI 방법을 조사한다. 또한 이 논문은 XAI가 의료 알고리즘의 투명성을 어떻게 향상시킬 수 있는지 검토함으로써 임상의, 환자, 규제기관 간의 더 큰 신뢰와 확신을 촉진하고자 한다. 의료 분야에서의 XAI가 직면하는 제한된 해석가능성, 계산 복잡성, 표준화된 평가 프레임워크의 부재와 같은 핵심 과제들을 상세히 논의한다. 더 나아가 본 연구는 문헌에서의 기존 공백, 즉 특정 XAI 기법들에 대한 상세한 비교 분석의 부족—특히 이들의 수학적 기반과 다양한 의료영상 맥락에서의 적용가능성 측면—등을 강조한다. 이러한 공백에 대응하여 본 논문은 이미지 분할, 분류, 진단과 같은 다양한 의료영상 과제에서 XAI 성능을 평가하기 위한 새로운 표준화 평가 지표 세트를 제안한다. 또한 본 고찰은 실제 임상 적용을 중심으로 의료 분야에서 XAI의 효과를 향상시키기 위한 실행 가능한 권고사항을 제시한다. 광범위한 개요 또는 방법의 제한된 하위 집합에 초점을 둔 선행연구와 달리, 본 연구는 18개 이상의 XAI 기법에 대한 포괄적 비교 분석을 제공하며, 각 기법의 강점, 약점 및 실무적 함의를 강조한다. XAI 방법이 임상 워크플로에 어떻게 통합될 수 있는지에 대한 상세한 이해를 제공함으로써, 본 논문은 최첨단 AI 기술과 의료 현장에서의 실제 활용 간의 격차를 해소하는 데 기여하고자 한다. 궁극적으로 본 연구에서 제공되는 통찰은 연구자, 임상의, 산업계 전문가들에게 가치를 가지며, 임상 환경에서 XAI의 채택과 표준화를 장려함으로써 의료 분야에 투명하고 해석가능하며 신뢰할 수 있는 AI 시스템의 성공적인 통합을 보장하는 데 도움이 될 것이다.