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.

본 연구에서는 연합학습(Federated Learning, FL) 구조를 기반으로 한 이미지 클러스터링을 활용하는 화재 분류 시스템을 제안한다. 이 시스템은 제조업을 포함한 다양한 산업 분야에서 화재 감지를 가능하게 한다. 화재, 연기, 정상 상태를 정확히 분류하는 것은 산업 현장의 화재 예방 및 대응 시스템에서 중요한 요소이다. 제안된 시스템의 서버는 미리 학습된 비전 트랜스포머 모델을 사용하여 데이터 특성을 추출하고, 비스ecting K-means 알고리즘을 통해 데이터를 클러스터링하여 가중치를 얻는다. 클라이언트는 이 가중치를 활용하여 K-means 알고리즘으로 로컬 데이터를 클러스터링하고, Kullback–Leibler 발산을 통해 데이터 분포의 차이를 측정한다. 실험 결과, 제안된 모델은 서버에서 약 99%의 정확도를 달성하며, 클라이언트에서의 클러스터링 정확도 또한 높은 수준을 유지한다. 또한 라운드가 진행되는 동안 정규화 상호정보량 값이 0.6 이상으로 유지되고 실루엣 점수가 0.9에 도달하여 클러스터링 품질이 향상됨을 시사한다. 본 연구는 FL 및 클러스터링 기법을 활용함으로써 화재 분류 정확도가 향상되며, 실시간 감지에 대한 높은 잠재력을 가진다는 점을 보여준다.

최근 수십 년 동안 딥러닝(DL)은 다양한 분야에서의 난제 해결을 위한 강력하고 지배적인 기법으로 부상해 왔다. 마찬가지로 디지털 이미지 포렌식 분야에서는 이미지에서 조작된 영역을 탐지하고 분류하기 위한 DL 기반 기법을 조사하는 방대한 문헌이 지속적으로 축적되고 있다. 이 논문은 이미지 위조 탐지를 위한 최신 DL 기반 방법에 대한 포괄적인 문헌 조사를 목적으로 한다. 가장 널리 알려진 두 유형의 위조 이미지인 카피-무브(copy-move) 이미지와 스플라이스(spliced) 이미지를 고려하였다. 최근 DL의 발전에 힘입어, DL 기반 접근법은 전통적인 비(非)DL 기반 접근법에 비해 훨씬 더 우수한 결과를 도출하였다. 조사된 기법들은 CNN, RCNN 또는 LSTM과 같은 다양한 효율적인 DL 방법을 개발하거나 결합함으로써, 조작 흔적을 탐지하도록 적응시키는 방식으로 제안되었다.

고령자 집단에서 낙상은 치명적 및 비치명적 손상의 주요 원인 중 하나이다. 낙상 감지 및 초기 경보는 특히 고령자 인구 비율이 증가하고 있는 현실을 고려할 때 낙상의 부정적 영향을 완화하는 데 중요한 역할을 한다. 비침습적 특성, 데이터 이용 가능성, 낮은 배치 비용 때문에 RGB 비디오는 선행 연구들에서 낙상 감지를 위해 널리 사용되어 왔다. 그러나 RGB 데이터는 배경 환경의 변화에 의해 영향을 받아 낙상을 인식하지 못하는 문제가 발생할 수 있다. 이러한 과제를 극복하기 위해 많은 연구자들은 RGB 비디오로부터 골격(skeleton) 데이터를 추출하고 이를 낙상 감지에 활용하는 방법을 제안해 왔다. 낙상 감지에 관한 여러 선행 개관 연구가 존재하나, 대부분은 서로 다른 종류의 센서를 사용하여 낙상 감지 시스템을 평가하는 데 초점이 맞추어져 있으며, RGB 비디오에서의 골격 기반 낙상 감지에 대한 포괄적 평가는 부족하다. 본 논문에서는 수작업 특징 기반 방법에서 고도화된 딥러닝 알고리즘에 이르기까지, RGB 비디오에서의 골격 기반 낙상 감지에 관한 최근의 발전을 고찰한다. 또한 이 분야에서의 과제와 향후 연구 방향과 함께, 다양한 벤치마크 데이터셋에서의 성능 결과를 포함한 여러 골격 기반 낙상 감지 기법을 제시한다.

MRI(magnetic resonance imaging)에서 해마 분할(hippocampus segmentation)은 특히 알츠하이머병(Alzheimer’s disease)과 같은 신경퇴행성 질환의 검출, 진단, 추적 및 모니터링에 있어 매우 중요한 역할을 한다. 딥러닝 기반 분할에서는 더 큰 데이터셋이 종종 이점을 제공하지만, 작은 데이터셋은 제한된 데이터 변이성으로 인해 고유한 어려움이 있으며 과적합(overfitting) 위험이 증가한다. 본 연구는 해마 분할에 맞춰 설계된 계산 효율적이고 정확한 3D U-Net 모델을 개발함으로써 이러한 과제를 해결하고자 한다. 제안하는 접근법은 대비(contrast)를 향상시키고 잡음을 감소시켜 더 나은 특징 추출을 가능하게 하는 전처리 파이프라인으로서 3D Contrast Limited Adaptive Histogram Equalization(3D CLAHE)과 Selective Coefficient-Enhanced 3D Wavelet Transform(SCE-3DWT)을 결합한다. 실험 평가는 입력 영상 크기 64×64×96의 해마 MRI 135건으로 구성된 EADC-ADNI HarP 데이터셋을 사용하여 수행되었다. 본 모델은 Dice 계수 0.8838, Jaccard 지수 0.7920을 달성하였으며, 최근의 최첨단(state-of-the-art) 방법들을 능가하였다. 비교 분석 결과, Over-Segmentation Ratio(OSR = FP/(FP+TP), 0.0594)와 Under-Segmentation Ratio(USR = FN/(FN+TP), 0.0569)가 더 낮아져 견고성과 일반화 성능이 확인되었다. 최대 필터 크기 512로 설계된 경량 아키텍처는 전이 학습(transfer learning)에 의존하지 않으면서도 효율적으로 동작하여 더 넓은 적용 가능성을 제공한다. 향후 연구는 후처리 기법을 통합하고, 더 크고 더 다양한 데이터셋을 활용하며, 더 높은 해상도의 체적(volumetric) 데이터를 탐색하여 분할 정확도와 임상적 유용성을进一步 향상시키는 데 초점을 둘 것이다. 본 연구는 의료 영상 분석의 발전에 기여하며, 정확한 해마 분할을 위한 자원 효율적인 프레임워크를 제공함으로써 알츠하이머병 관리의 개선에 잠재적 의의를 가진다.

알츠하이머병(AD)은 진행성 신경퇴행성 질환이며, 효과적인 임상 중재를 위해서는 조기 발견이 필수적이다. 기존 딥러닝 접근법은 MRI 데이터를 활용하여 유망한 결과를 보고해 왔으나, 대부분은 전체 3차원 볼륨 또는 표준 2차원 축상 및 관상 슬라이스에 의존하여, 종시상(parasagittal) 영상의 진단적 가치를 종종 간과한다. 또한 많은 기존 모델은 주의(attention) 메커니즘과 멀티 브랜치 아키텍처를 결여하고 있어, 국소적 특징과 문맥적 특징을 모두 포착하는 능력이 제한된다. 이러한 한계를 극복하기 위해, 우리는 시상(sagittal), 관상(coronal) 및 종시상(parasagittal) 슬라이스를 정중선에서 6.257° 비켜난 오프-미드라인(off-midline) 각도로 추출하여 통합하는, 주의 유도(attention-guided) 이중 경로 듀얼패스 CNN을 제안한다. 제안한 아키텍처는 다중 스케일 특징 추출을 위해 CBAM이 강화된 Inception-v4 경로와, 집중형 SNeurodCNN 브랜치를 결합한다. ADNI 데이터베이스의 T1 가중 MRI 스캔을 사용하여, 제안 모델은 정확도 98.9%와 AUC 0.992를 달성하였으며, 정확하고 조기 AD 분류를 위한 잠재력을 보여주었다.

최근 이미지 스티칭에 관한 연구는 소수의 입력 이미지로 파노라마 또는 360° 이미지를 결합하기 위해 광범위하게 수행되어 왔다. 무인항공기(UAV)에 의해 촬영되는 항공 이미지의 스티칭은 다양한 실용적 응용을 가진다. 본 논문에서는 다수의 항공 이미지를 처리하기 위한 빠른 적응형 스티칭 알고리즘을 제안한다. 먼저, 제안된 방법은 geotag 정보를 활용하여 UAV 이미지 풋프린트의 상대적 위치와 중첩 영역을 분석한다. 분석 결과에 기반하여, 모든 UAV 이미지들 중에서 밀집 중첩된 이미지를 제거하기 위한 적응적 선택 알고리즘을 제안한다. 이어서 제안된 방법은 빠른 특징 추출과 특징 매칭을 순차적으로 수행한다. 마지막으로, 중첩 영역에서 매끄러운 전이를 제공하는 국소 워프(local warp) 방법을 도입하여 블러링(blur) 아티팩트를 완화하고 고정밀의 이미지 정합을 달성한다. 실험은 다양한 시나리오에서 수행되어 넓은 영역의 매끈한 지상 모자이크 이미지를 생성한다. 제안된 방법은 추정된 재투영 오차(reprojection error)와 관측되는 시각적 왜곡의 수를 감소시킴으로써 스티칭된 이미지의 시각적 품질을 향상시킨다. 또한 제안된 방법은 기존 스티칭 방법에 비해 처리 시간을 상당히 줄일 수 있다.

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.

본 연구에서는 연합학습(Federated Learning, FL) 구조를 기반으로 한 이미지 클러스터링을 활용하는 화재 분류 시스템을 제안한다. 이 시스템은 제조업을 포함한 다양한 산업 분야에서 화재 감지를 가능하게 한다. 화재, 연기, 정상 상태를 정확히 분류하는 것은 산업 현장의 화재 예방 및 대응 시스템에서 중요한 요소이다. 제안된 시스템의 서버는 미리 학습된 비전 트랜스포머 모델을 사용하여 데이터 특성을 추출하고, 비스ecting K-means 알고리즘을 통해 데이터를 클러스터링하여 가중치를 얻는다. 클라이언트는 이 가중치를 활용하여 K-means 알고리즘으로 로컬 데이터를 클러스터링하고, Kullback–Leibler 발산을 통해 데이터 분포의 차이를 측정한다. 실험 결과, 제안된 모델은 서버에서 약 99%의 정확도를 달성하며, 클라이언트에서의 클러스터링 정확도 또한 높은 수준을 유지한다. 또한 라운드가 진행되는 동안 정규화 상호정보량 값이 0.6 이상으로 유지되고 실루엣 점수가 0.9에 도달하여 클러스터링 품질이 향상됨을 시사한다. 본 연구는 FL 및 클러스터링 기법을 활용함으로써 화재 분류 정확도가 향상되며, 실시간 감지에 대한 높은 잠재력을 가진다는 점을 보여준다.

최근 수십 년 동안 딥러닝(DL)은 다양한 분야에서의 난제 해결을 위한 강력하고 지배적인 기법으로 부상해 왔다. 마찬가지로 디지털 이미지 포렌식 분야에서는 이미지에서 조작된 영역을 탐지하고 분류하기 위한 DL 기반 기법을 조사하는 방대한 문헌이 지속적으로 축적되고 있다. 이 논문은 이미지 위조 탐지를 위한 최신 DL 기반 방법에 대한 포괄적인 문헌 조사를 목적으로 한다. 가장 널리 알려진 두 유형의 위조 이미지인 카피-무브(copy-move) 이미지와 스플라이스(spliced) 이미지를 고려하였다. 최근 DL의 발전에 힘입어, DL 기반 접근법은 전통적인 비(非)DL 기반 접근법에 비해 훨씬 더 우수한 결과를 도출하였다. 조사된 기법들은 CNN, RCNN 또는 LSTM과 같은 다양한 효율적인 DL 방법을 개발하거나 결합함으로써, 조작 흔적을 탐지하도록 적응시키는 방식으로 제안되었다.