잡음이 많은 어노테이션 환경에서 X선 금지품 탐지를 위한 혁신적인 데이터 증강 기법: Mix-Paste
본 논문은 잡음이 많은 어노테이션 하에서 X선 금지품 탐지 성능을 향상시키는 새로운 데이터 증강 기법 Mix-Paste를 제안합니다. Mix-Paste는 패치 믹싱 및 붙여넣기와 항목 기반 대 손실 억제 전략을 통해 정확도를 높이고, 다양한 데이터셋에서 일반화 성능을 보여줍니다.

잡음 많은 어노테이션 속에서 길을 찾다: X선 금지품 탐지의 새로운 지평
대중의 안전을 위해 X선 금지품 자동 탐지는 필수적입니다. 기존의 딥러닝 기반 방법들은 X선 이미지의 어노테이션이 정확하다는 가정하에 개발되었습니다. 하지만 대규모 X선 이미지에서 물체의 중첩이 빈번하게 발생하기 때문에 정확한 어노테이션을 얻는 것은 매우 어렵습니다. 결과적으로, X선 이미지는 잡음이 많은 어노테이션으로 오염되기 쉽고, 기존 방법들의 성능 저하로 이어집니다.
첸 루이캉을 비롯한 연구팀은 이러한 문제를 해결하기 위해 혁신적인 데이터 증강 기법인 Mix-Paste를 제시했습니다. Mix-Paste는 잡음이 많은 어노테이션(범주 잡음과 경계 상자 잡음 포함) 하에서 강력한 금지품 탐지기를 훈련시키는 새로운 접근 방식입니다.
Mix-Paste: 패치 믹싱과 붙여넣기의 조화
Mix-Paste의 핵심은 각 항목 패치에 대해 동일한 범주 레이블을 가진 여러 이미지의 패치들을 혼합하여 원본 이미지의 패치를 대체하는 것입니다. 이를 통해 생성된 이미지에 정확한 금지품이 포함될 확률이 높아집니다. 더 나아가, 믹싱 과정은 항목 중첩을 모방하여 모델이 X선 이미지의 특징을 더 효과적으로 학습할 수 있도록 돕습니다.
항목 기반 대 손실 억제(LLS): 오류 최소화 전략
혼합 과정에서 발생할 수 있는 추가 항목에 대한 잘못된 양성 예측으로 인한 큰 손실을 억제하기 위해, 연구팀은 항목 기반 대 손실 억제(LLS) 전략을 설계했습니다. LLS는 모델의 학습 과정에서 발생할 수 있는 오류를 최소화하여 정확도를 향상시킵니다.
성능 검증과 미래 전망
연구팀은 잡음이 많은 어노테이션이 포함된 X선 데이터셋과 MS-COCO 데이터셋에서 Mix-Paste의 우수성을 입증했습니다. 특히, MS-COCO 데이터셋에서의 성능은 Mix-Paste의 일반화 능력을 보여주는 좋은 예시입니다. 이러한 결과는 잡음이 많은 어노테이션을 처리하는 데 있어 데이터 증강의 잠재력을 명확하게 보여줍니다. 소스 코드는 https://github.com/wscds/Mix-Paste 에서 확인할 수 있습니다.
Mix-Paste는 잡음이 많은 데이터 환경에서 딥러닝 모델의 성능을 향상시키는 데 중요한 기여를 할 것으로 기대됩니다. 앞으로도 지속적인 연구를 통해 더욱 강력하고 정확한 X선 금지품 탐지 시스템의 개발이 기대됩니다.
Reference
[arxiv] Augmentation Matters: A Mix-Paste Method for X-Ray Prohibited Item Detection under Noisy Annotations
Published: (Updated: )
Author: Ruikang Chen, Yan Yan, Jing-Hao Xue, Yang Lu, Hanzi Wang
http://arxiv.org/abs/2501.01733v1