불은 환경, 경제 및 인간의 삶에 중대한 피해를 초래할 수 있다. 화재를 조기에 감지할 수 있다면 피해를 최소화할 수 있다. 기술의 발전, 특히 딥러닝에 의해 구동되는 컴퓨터 비전은 이미지와 비디오에서의 자동 화재 탐지를 가능하게 해 왔다. 화재 및 연기 탐지에 대한 응용을 포함하여, 물체 탐지를 위한 여러 딥러닝 모델이 개발되었다. 본 연구는 Bayesian Tuning(BT)을 사용하여 YOLOv8 및 YOLOv10 모델의 학습 하이퍼파라미터를 최적화하는 데 초점을 둔다. 대규모 D-Fire 데이터셋에서의 실험 결과는 본 접근법이 탐지 성능을 향상시킴을 보여준다. 구체적으로, 제안된 접근법은 기본 하이퍼파라미터로 학습한 모델과 비교하여, Intersection over Union(IoU) 임계값 0.5에서의 mean average precision(mAP50)을 YOLOv8s, YOLOv10s, YOLOv8l, YOLOv10l 모델에 대해 각각 0.26, 0.21, 0.84, 0.63 향상시킨다. 이러한 성능 향상은 더 큰 모델인 YOLOv8l 및 YOLOv10l에서, 더 작은 모델인 YOLOv8s 및 YOLOv10s보다 더 두드러지게 나타난다. 또한 BT로 학습할 때 YOLOv8 모델은 일관되게 YOLOv10보다 우수하며, YOLOv10s에 비해 YOLOv8s는 mAP50이 0.26 향상되고, YOLOv10l에 비해 YOLOv8l은 0.65 향상된다. 이러한 결과는 탐지 성능을 우선시하는 화재 탐지 응용에서 YOLOv8이 선호되는 모델임을 입증한다.

오늘날의 디지털 시대에서 이미지는 가짜 뉴스 확산과 같은 악의적 목적을 위해 조작되기 쉬우며, 이에 따라 이미지 위조 탐지에 대한 활발한 연구가 진행되고 있다. 딥러닝(DL)의 발전과 더불어 합성곱 신경망(convolutional neural network, CNN) 및 Transformer 모델이 이 분야의 주요 도구로 부상하였다. 그러나 개별 모델은 특정 이미지에서는 뛰어난 성능을 보일 수 있는 반면 다른 이미지에서는 성능이 저하되어 모델 성능의 변동성이 발생한다. 이러한 문제를 해결하기 위해 본 논문에서는 여러 모델의 예측을 결합하는 앙상블 접근법을 제안하여 시스템 성능과 견고성을 향상시키고자 한다. 먼저, CNN 기반 모델, Transformer 기반 모델, 그리고 이러한 아키텍처를 결합하는 융합(fusion) 모델을 포함한 사전학습(pretrained) DL 모델의 집합을 활용하고, 성능이 가장 우수한 모델을 선택한다. 그 다음, 선택된 모델들을 하드 보팅(hard voting)과 소프트 보팅(soft voting)을 이용한 앙상블 방식에 적용하여 이들의 집단 성능을 평가한다. 특히 ConvNeXt, SwinV2, CAFormer로 구성된 선택된 앙상블에서 하드 보팅 기법은 정확도 97.42%를 달성하였으며, 이는 기준(baseline) 모델 대비 약 6.34%의 향상을 의미한다. 이러한 결과는 제안된 앙상블 접근법이 위조 탐지에 효과적임을 확인해준다.