BloodshotNet: 세계 최초의 오픈소스 혈흔 탐지 AI 모델 출시

대체로 긍정적이며, 특히 의료 교육 영상이나 스포츠 중계 필터링 등 구체적인 활용 방안에 대한 관심이 높다.

• 비디오 분석 시 개별 프레임 결과에 의존하지 말고 5~10초 단위의 슬라이딩 윈도우를 적용하여 오탐지를 줄여라.
• 엣지 기기 배포를 고려한다면 향후 업데이트될 OpenVINO INT8 내보내기 기능을 활용하라.

Hard-Negative

— 모델이 실제 정답이 아님에도 정답으로 오해하기 쉬운 데이터를 학습 과정에 포함하는 기법이다. 혈흔과 유사한 붉은 물체나 조명을 포함하여 오탐지(False Positive)를 줄이고 모델의 변별력을 높이는 데 기여한다.

Open-Vocabulary Model

— 학습 시 정의된 클래스 외에도 텍스트 프롬프트를 통해 새로운 객체를 탐지할 수 있는 모델이다. 본문에서는 혈흔의 불규칙한 패턴 때문에 텍스트 기반 설명만으로는 탐지 성능이 낮았음을 지적했다.

Sliding Window

— 비디오 데이터 처리 시 특정 시간 간격의 프레임 묶음을 연속적으로 이동하며 분석하는 방식이다. 개별 프레임의 완벽한 탐지 대신 5~10초 단위의 장면 수준 신호를 포착하여 비디오 분석의 안정성을 높인다.

INT8 Quantization

— 모델의 가중치를 32비트 부동소수점에서 8비트 정수로 변환하여 모델 크기를 줄이고 추론 속도를 높이는 최적화 기법이다. 엣지 기기에서의 빠른 추론을 위해 OpenVINO INT8 내보내기 등이 활용된다.