X-레이 이미지 기반 금지 물품 탐지를 위한 DERA 프레임워크
DERA: Detached Edge-Residual Adaptation for Prohibited item Detection
arXivX-ray 이미지 기반 금지 물품 탐지의 난제(객체 중첩, 약한 질감 등)를 해결하기 위해 DERA 프레임워크가 개발되었습니다.
- DERA는 객체의 경계 정보를 별도로 추출하고 이를 특징에 적용하는 단계적 방식을 채택하여 높은 성능을 입증했습니다 (PIDray 대비 최대 3.1 AP 향상).
- 이 기술은 X-ray 이미지 분석의 근본적인 한계를 극복함으로써, 보안 검색 시스템의 탐지 정확도와 신뢰성을 획기적으로 개선할 수 있습니다.
- 경계 정보 학습과 의미론적 특징 학습을 분리하는 단계적 설계가 핵심이며, 최종 적응 단계 파라미터를 약 14.7K개로 제한해 효율성까지 확보했습니다.
본 연구는 X-ray 이미지를 이용한 금지 물품 탐지 과정에서 발생하는 객체 중첩, 약한 질감, 재질 혼잡 등으로 인해 의미론적 외관과 객체 경계가 모호해지는 난제를 해결하기 위해 DERA(Detached Edge-Residual Adaptation) 프레임워크를 제안합니다. DERA는 계층적 시각 특징과 병렬 픽셀 차분 에지 피라미드를 결합하며, 학습 과정에서 얻은 인스턴스 마스크의 윤곽선으로부터 객체별 경계 사전(boundary prior)을 학습하는 것이 핵심입니다.
DERA는 이 분리된 사전을 활용하여 에지 민감 특징을 게이팅하고, 이를 잔차 헤드(residual heads)를 통해 초기 시각 단계에 주입합니다. 이러한 단계적 설계 방식은 기반 탐지기(foundation detector)의 구조를 유지하는 동시에, 경계 감독 학습과 의미론적 특징 학습을 분리하여 처리할 수 있게 합니다. 또한 최종 적응 단계의 수를 약 14.7K개로 제한하여 효율성을 확보했습니다.
DERA 프레임워크는 PIDray, CLCXray, STCray 세 가지 데이터셋에서 평가되었으며, 각각 기준 성능 대비 3.1 AP, 1.6 AP, 그리고 2.4 AP의 개선을 보여주었습니다. 이 결과는 X-레이 이미지 분석 분야에서 탐지 정확도와 신뢰성을 높이는 데 기여함을 입증합니다.
용어 풀이
- 가중치
- 학습으로 정해진 모델 내부의 숫자 값. 내려받는 모델 파일의 본체예요.