AI › 산업 AI 응용 › 비전 검사

영상 분할Image Segmentation

영상의 화소마다 배경 · 결함 · 물체 같은 클래스를 붙여 영역의 경계와 넓이를 화소 단위로 나누는 컴퓨터 비전 과제다.

1요약

  1. 영상 분할은 비전 검사 안에서 화소마다 클래스(배경 · 얼룩 · 긁힘)를 붙이는 출력 형식으로, 2014년 FCN 과 2015년 U-Net 의 인코더-디코더 구조에서 틀이 잡혔고(Long 2015 · Ronneberger 2015), 그 마스크 위에서 결함 면적 · 길이 · 개수 측정이 돈다.
  2. 상자는 비스듬한 긁힘의 넓이를 재지 못하고, 화소 정확도는 결함을 숨긴다 — 결함 화소가 4.4% 인 사례 영상에서 «전부 배경» 마스크도 화소 정확도 95.6% 가 나와, 평가는 클래스별 IoU · Dice 로 한다(직접 실행).
  3. 「분할이 부정확하다」는 결함 폭과 오차 종류로 가른다 — 얇은 긁힘만 IoU 가 낮으면 경계 1화소 오차, 덩어리 수가 틀리면 후처리, 면적은 맞는데 IoU 가 낮으면 넘친 화소와 빠진 화소가 서로 지운 위치 오차다.

2등장 배경

상자 검출은 결함이 «어디쯤» 있는지만 알려 준다. 길이 4 mm 로 비스듬히 난 긁힘을 감싼 상자는 긁힘 자체보다 훨씬 넓은 면을 품어, 면적 · 길이로 합격을 가르는 검사에는 화소 단위 경계가 필요하다. 겹침을 재는 식은 오래됐다 — Jaccard(1912)는 두 지역 식물 종의 «공통 ÷ 합집합»을, Dice(1945)는 두 종의 연관을 «2 × 공통 ÷ 두 수의 합»으로 냈고, 이것이 지금의 IoU 와 Dice 계수다.

2014년 Long · Shelhamer · Darrell 은 분류망의 완전 연결 계층을 합성곱으로 바꾼 FCN 으로 임의 크기 입력에 같은 크기의 점수 지도를 내고, 깊은 특징과 얕은 특징을 합쳐 PASCAL VOC 2012 평균 IU 62.2% 를 냈다(Long 2015 초록). 2015년 Ronneberger 외의 U-Net 은 축소 경로와 대칭 확장 경로를 복사 · 연결로 잇고, 부분 레이블 학습 영상 35장으로 ISBI 2015 세포 과제 IoU 0.9203 을 냈다(Ronneberger 2015 4절 표 2). 2016년 V-Net 은 Dice 계수를 손실로 직접 최적화해 전경 · 배경 불균형을 다뤘다(Milletari 2016 초록).

2017년 Mask R-CNN 이 물체마다 마스크를 내는 인스턴스 분할을 정리했고(He 2017), 2019년 Kirillov 외가 클래스와 인스턴스를 한 장에 합친 파놉틱 분할과 PQ 지표를 정했다(Kirillov 2019). 같은 해 Tabernik 외는 표면 결함 분할 학습에 결함 표본 25 ~ 30개면 된다고 보였고(Tabernik 2019 초록), 2023년 SAM 은 1,100만 장 · 마스크 10억 개 이상으로 범용 분할 모델을 학습했다(Kirillov 2023 초록). 지금 비전 검사에서 분할은 결함 면적 · 길이 측정과 위치 표시를 맡고, 상자 위치는 객체 탐지, 정상 영상만으로 찾는 결함은 비지도 결함 탐지가 맡는다.

3쉽게 이해하기 — 항공 사진에 색칠하는 측량 사무소

측량 사무소의 신입 직원은 항공 사진 위에 투명 필름을 덮고 논 · 길 · 집마다 정해진 색으로 칸을 칠한다. 먼저 사진을 줄여 보며 「여기는 논, 저기는 길」을 알아보고, 경계를 그릴 때는 원본 크기 사진을 옆에 대고 논두렁 선을 따라간다. 다 칠하면 선배가 정답 필름을 겹쳐 «겹친 넓이 ÷ 둘 중 한쪽이라도 칠한 넓이»를 재는데, 폭 좁은 논두렁길은 붓이 한 칸만 비껴도 점수가 반으로 준다.

1 항공 사진 한 장 논 · 길 · 집이 섞임 입력 영상 2 줄여서 알아보기 「여기는 논」 인코더 3 원본 옆에 대기 논두렁 선 되살림 스킵 · 디코더 4 필름에 색칠 칸마다 한 색 분할 마스크 5 필지마다 번호 이웃한 논 둘을 따로 인스턴스 분할 6 정답 필름 겹치기 겹친 넓이 비율 IoU · Dice 7 넓이 재기 좁은 논두렁은 붓 한 칸에 반 면적 · 크기 측정 영상 모델 마스크 · 번호 평가 · 측정

그림 1 · 줄여 본 사진으로 «무엇»을 알고 원본을 옆에 대 경계를 칠한 필름 하나가 번호 매기기 · 겹쳐 채점 · 넓이 재기의 바탕이 된다.

사진 받기항공 사진 한 장
줄여 보기논인지 길인지
원본 대기논두렁 선 따라
칸 칠하기칸마다 한 색
필지 번호이웃한 논 둘을 따로
정답 겹치기겹친 넓이 비율
비유 — 줄인 사진 · 원본 사진 실제 — 업샘플만 · 스킵 연결 줄인 사진만 보고 칠함 「여기는 논」은 알지만 논두렁이 계단처럼 뭉개짐 깊은 특징만 원본 사진을 옆에 대고 칠함 논두렁 선을 칸마다 따라감 + 얕은 특징 연결 깊은 특징 4×4 를 4배 키우기만 IoU 0.700 얕은 특징 16×16 화소로 경계 되살림 IoU 0.911 깊은 특징은 「무엇」을, 얕은 특징은 「어디」를 담는다 — 둘을 합쳐야 경계가 화소 단위로 맞는다 칠한 화소(마스크) 정답 경계 모델 특징

그림 2 · 깊은 특징만 키우면 경계가 화소 4개씩 묶인 계단이 되고, 얕은 특징을 이어 붙여야 경계가 화소 단위로 맞는다.

비유 속 역할실제 이름실제로 하는 일
항공 사진입력 영상사례 = 128×128 화소 · 화소 하나 0.05 mm(가정 값)
줄여 본 사진인코더(축소 경로)풀링으로 크기를 반씩 줄이며 «무엇»을 담은 특징을 만든다
옆에 댄 원본스킵 연결같은 크기 단계의 인코더 특징을 디코더에 복사 · 연결한다
경계 따라 칠하기디코더(확장 경로)특징 지도를 다시 키워 원래 크기 점수 지도를 낸다
색칠한 필름분할 마스크화소마다 클래스 번호 하나
필지 번호인스턴스 id같은 클래스 물체를 하나씩 가른다
정답 필름 겹치기IoU · Dice교집합 ÷ 합집합 · 2 × 교집합 ÷ 두 넓이의 합
넓이 재기면적 · 크기 측정화소 수 × 화소 하나의 넓이 = mm²

⚠ 비유가 맞지 않는 곳: 직원은 줄인 사진과 원본을 차례로 보지만, 모델은 축소 경로 모든 단계의 특징을 디코더의 같은 단계에 한꺼번에 넘긴다. 또 사람은 애매한 경계를 «아마 여기»로 긋지만, 모델은 화소마다 클래스 점수를 내고 가장 큰 클래스 하나를 고른다.

4구조 — 인코더 · 디코더 · 스킵 연결

U-Net 의 축소 경로는 3×3 합성곱 두 번과 2×2 최대 풀링을 되풀이하며 단계마다 채널을 두 배로 늘리고, 확장 경로는 2×2 업 합성곱으로 크기를 키워 채널을 절반으로 줄인 뒤 같은 단계 축소 경로 특징을 잘라 붙인다 — 합성곱 계층은 모두 23개다(Ronneberger 2015 2절). 패딩 없는 합성곱이라 572×572 입력 타일이 388×388 출력이 되고, 맨 끝 1×1 합성곱이 64채널 특징을 클래스 수만큼의 점수로 바꾼다.

U-Net 의 축소 · 확장 경로 입력 572×572 마스크 388×388 1×1 합성곱 합성곱 ×2 · 64 합성곱 ×2 · 64 복사 · 잘라 연결 최대 풀링 2×2 업 합성곱 2×2 합성곱 ×2 · 128 합성곱 ×2 · 128 복사 · 잘라 연결 최대 풀링 2×2 업 합성곱 2×2 합성곱 ×2 · 256 합성곱 ×2 · 256 복사 · 잘라 연결 최대 풀링 2×2 업 합성곱 2×2 합성곱 ×2 · 512 합성곱 ×2 · 512 복사 · 잘라 연결 합성곱 ×2 · 1,024 풀링 업 합성곱 축소 경로 — 「무엇」 확장 경로 — 「어디」 영상 모델 블록(숫자 = 채널) 출력 마스크 점선 = 스킵 연결

그림 3 · 축소 경로가 「무엇」을, 확장 경로가 「어디」를 맡고, 같은 단계끼리 잇는 스킵 연결이 풀링에서 잃은 경계를 되돌린다.

요소역할값 · 근거
입력 타일분할할 영상 조각572×572 · 큰 영상은 타일로 나눠 이어 붙임(Ronneberger 2015 그림 2)
인코더넓은 문맥 — 「무엇」단계마다 크기 1/2 · 채널 2배(64 → 1,024)
디코더크기 되살림 — 「어디」업 합성곱이 채널을 절반으로(2절)
스킵 연결얕은 경계 정보 전달같은 단계 특징을 잘라 연결(2절)
출력화소별 클래스 점수 → 마스크1×1 합성곱 · 화소마다 가장 큰 점수의 클래스
손실학습 신호교차 엔트로피 + 경계 가중(w0 = 10 · 3절) 또는 Dice 손실(Milletari 2016)
후처리마스크 → 측정값연결 요소 · 최소 크기 · 면적 · 길이

5동작 — 합성 표면 영상의 얼룩 · 긁힘 분할 평가

이 사례는 합성 데이터를 Python 3.14.0 · NumPy 2.4.3 의 default_rng(0) 하나로 돌려 얻은 값이다(직접 실행). 학습한 모델 대신 «정답을 흐린 점수 + 잡음»을 모델 출력으로 두고, 평가 · 후처리 · 측정 단계를 따라간다.

  1. 정답 마스크 = 128×128 화소 · 화소 하나 0.05 mm(설명용 가정 값 · 시야 6.4 mm) — 배경 15,662 · 얼룩 550(두 개 437 · 113) · 긁힘 172화소(폭 2화소 · 세로 4 mm)로, 결함 화소는 전체의 4.4% 다.
  2. 클래스별 점수 = 정답 마스크를 상자 필터(얼룩 5×5 · 긁힘 3×3)로 흐린 값 + 정규 잡음 σ 0.18, 배경 점수 = 0.5 로 두고 화소마다 점수가 가장 큰 클래스를 고른다.
  3. 그대로 잰 결과 = 화소 정확도 0.9865 · 얼룩 IoU 0.818(Dice 0.900) · 긁힘 IoU 0.558(Dice 0.716) · 세 클래스 평균 mIoU 0.787 — 얼룩은 덩어리 33개, 긁힘은 54개로 흩어졌고 대부분 1화소 점이다.
  4. 견줄 기준 = 모든 화소를 배경으로 낸 마스크 — 결함을 하나도 못 찾았는데 화소 정확도 0.9559, 결함 IoU 0 · mIoU 0.319 다.
  5. 후처리 = 8-이웃 연결 요소로 묶고 6화소 미만 덩어리를 배경으로 돌리면 얼룩 IoU 0.861(Dice 0.925) · 긁힘 IoU 0.704(Dice 0.826) · mIoU 0.852 로 오른다.
  6. 개수 = 얼룩은 438 · 99화소 두 덩어리로 정답 두 개와 맞지만, 긁힘은 154 · 13화소로 끊겨 하나가 두 개로 세어진다(시드 0 ~ 9 에서 긁힘 덩어리 1 ~ 3개).
  7. 면적 = 얼룩 정답 1.375 mm² ↔ 예측 1.343 mm²(−2.4%) · 긁힘 0.430 ↔ 0.418 mm²(−2.9%) — 긁힘은 넘친 화소 27개와 빠진 화소 32개가 서로 지워 면적은 거의 맞는데 IoU 는 0.704 다.
얼룩 · 긁힘 분할 평가 — 128×128 화소(직접 실행 · 합성 데이터) 얼룩 1 · 437화소 얼룩 2 · 113화소 긁힘 · 폭 2화소 6 끊김 클래스별 IoU · 화소 정확도 0 1 얼룩 IoU 0.818 0.861 긁힘 IoU 0.558 0.704 화소 정확도 전부 배경 0.956 후처리 뒤 0.992 3 5 3 5 4 5 긁힘 넘침 27 · 빠짐 32화소 7 면적 −2.9% 인데 IoU 0.704 긁힘 덩어리 154 · 13화소 = 두 개로 셈 맞춘 결함 화소 빠진 정답 화소 넘친 화소 그대로(3) 후처리 뒤(5) 화소 하나 = 0.05 mm(설명용 가정 값) · 번호 = 동작 단계

그림 4 · 후처리가 점 잡음을 지워 긁힘 IoU 를 0.558 에서 0.704 로 올리지만, 끊긴 긁힘은 두 개로 세어지고 면적 오차 −2.9% 뒤에 넘침 · 빠짐 59화소가 숨는다.

🔑 면적이 맞는다고 경계가 맞은 것은 아니다 — 넘친 화소와 빠진 화소는 면적에서 서로 지워지고 IoU 에서만 함께 드러난다.

IoU = |P ∩ G| ÷ |P ∪ G| · Dice = 2|P ∩ G| ÷ (|P| + |G|) 이고, 둘은 Dice = 2·IoU ÷ (1 + IoU) 로 한 값이 다른 값을 정한다(사례 긁힘 0.704 → 0.826). 경계 오차 화소 수는 둘레에, 대상 화소 수는 넓이에 비례하므로 같은 1화소 팽창도 얇은 대상일수록 IoU 를 크게 깎는다.

경계 1화소 팽창이 지표에 주는 영향 — 대상 폭별(길이 40화소 띠 · 직접 계산) 0.25 0.50 0.75 1.00 0 1 2 4 8 16 32 대상 폭(화소 · 2배 간격) 사례 얼룩 지름 12 ~ 28 0.317 0.476 0.635 0.762 0.847 0.896 사례 긁힘 폭 2 → IoU 0.476 IoU Dice = 2·IoU / (1 + IoU) 사례 긁힘 폭 사례 얼룩 구간

그림 5 · 경계가 1화소 넓어지기만 해도 폭 2화소 긁힘의 IoU 는 0.476, 폭 32화소 얼룩은 0.896 이다 — 지표는 얇은 결함에서 가장 엄하다.

🔑 같은 모델이라도 결함 폭이 좁을수록 IoU 가 낮게 나오므로, 긁힘 · 균열의 IoU 는 얼룩의 IoU 와 한 평균으로 묶지 않는다.

6비교 — 의미 · 인스턴스 · 파놉틱 분할과 객체 탐지

기준의미 분할인스턴스 분할파놉틱 분할객체 탐지(상자)
출력화소마다 클래스물체마다 마스크 + 클래스화소마다 클래스 + 인스턴스 id물체마다 상자 + 클래스
같은 클래스 물체 둘한 덩어리 — 개수는 후처리(사례 연결 요소)따로셀 수 있는 클래스만 따로(Kirillov 2019 3절)따로
겹침없음마스크끼리 겹쳐도 됨(3절)없음 — 화소마다 하나상자끼리 겹침
대표 지표클래스별 IoU · mIoU · Dice마스크 기준 APPQ = 맞춘 쌍 IoU 합 ÷ (TP + ½FP + ½FN) · 맞춤 = IoU 0.5 초과(4절)상자 IoU 기준 AP
대표 모델FCN · U-NetMask R-CNN(5 fps · He 2017)의미 + 인스턴스 출력을 합침객체 탐지에서 다룸
검사 쓰임결함 면적 · 영역 비율결함 개수 · 개별 크기배경 영역과 결함 개수를 한 장에위치 · 개수

분석면적 · 길이로 합격을 가르면 의미 분할에 연결 요소 후처리를 붙이고, 붙어 있는 결함을 하나씩 세고 재야 하면 인스턴스 분할을, 위치와 개수만 필요하면 객체 탐지를 쓴다. 근거는 표의 「같은 클래스 물체 둘」 행 — 사례의 의미 분할은 후처리 뒤에도 긁힘 하나를 두 개로 셌다.

7실무 진단 — 분할 품질 문제의 단계 가르기

분석먼저 지표가 결함 클래스를 보고 있는지, 다음으로 결함 폭에 따라 IoU 가 갈리는지, 마지막으로 마스크에서 측정값으로 가는 후처리를 본다. 지표가 배경에 묻히면 뒤 단계를 고쳐도 숫자에 드러나지 않기 때문이다(사례 «전부 배경» 화소 정확도 0.9559).

#증상의심 원인단계확인 자료판정 기준(근거)
1화소 정확도는 높은데 결함을 놓침결함 화소 비율이 작아 배경이 점수를 채움평가클래스별 IoU · 혼동 행렬결함 클래스 IoU 로 판정(사례 4단계 0.9559 ↔ IoU 0)
2얼룩은 좋은데 긁힘 · 균열만 낮음얇은 대상의 경계 오차 · 레이블 경계 1화소 차이레이블 · 평가폭별 IoU · 레이블러 둘의 마스크 IoU폭 2화소에서 1화소 오차 = IoU 0.476(그림 5) — 레이블러 간 IoU 보다 높은 목표는 잡지 않음
3결함 개수가 실제보다 많음점 잡음 · 끊긴 긁힘후처리연결 요소 크기 분포최소 크기 · 연결 규칙을 정함(사례 54 → 2 덩어리)
4경계가 계단처럼 뭉개짐깊은 특징만 키움 · 스킵 연결 없음모델 구조출력 해상도 ↔ 입력 해상도 · 업샘플 배율같은 단계 특징 연결(Ronneberger 2015 2절 · 그림 2)
5면적은 맞는데 위치가 틀림넘침 · 빠짐이 서로 지움측정넘친 · 빠진 화소를 따로 셈면적 오차와 IoU 를 함께 봄(사례 −2.9% · IoU 0.704)

가려내는 순서는 평가 → 레이블 → 후처리 → 모델 구조다. 모델을 바꾸기 전에 레이블러 둘이 같은 영상에 그린 마스크의 IoU 를 재 두면, 모델 IoU 가 어디까지 오를 수 있는지 상한이 보인다.

8시험 대비

출제 정보 정보관리(131회) · 컴퓨터시스템응용(87회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 의미 · 인스턴스 · 파놉틱 분할을 가르고 인코더-디코더 · 스킵 연결을 그리는 정의 · 특징형, 그리고 분할 방식과 객체 탐지를 견주는 비교형이 나올 수 있다. IoU · Dice 식과 그 관계, 얇은 결함에서 지표가 엄해지는 이유를 수치로 보이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의(화소 단위 클래스) · 분류 · 검출과 출력 차이 · 비전 검사 안의 위치
  2. 종류 — 의미 · 인스턴스 · 파놉틱 비교표(같은 클래스 물체 · 겹침 · 지표)
  3. 구조 — 그림 3 U-Net(축소 · 확장 경로 · 스킵 연결 · 합성곱 23계층 · 572 → 388)
  4. 평가 — IoU · Dice 식 · Dice = 2·IoU ÷ (1 + IoU) · PQ · 화소 정확도 함정(0.9559)
  5. 검사 적용 — 그림 4 사례(후처리 뒤 긁힘 IoU 0.704 · 면적 −2.9% · 덩어리 수) · 결함 면적 측정
  6. 한계와 동향 — 그림 5 폭별 IoU · 적은 결함 표본 학습(25 ~ 30개) · 범용 분할 모델

꼭 쓸 키워드
의미 분할인스턴스 분할파놉틱 분할인코더-디코더U-Net스킵 연결IoUDicemIoUPQ연결 요소

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 같은 1화소 오차가 폭에 따라 IoU 를 얼마나 깎는지 곡선으로 보이고, 긁힘과 얼룩의 지표를 따로 잡는다는 결론을 붙이는 것이다.

9오해와 사실

  • 오해화소 정확도가 95% 를 넘으면 분할이 잘 된 것이다.
    사실사례에서 결함을 하나도 찾지 못한 «전부 배경» 마스크도 0.9559 였다 — 결함 화소가 4.4% 이면 정확도는 배경을 맞힌 비율에 가깝다.
  • 오해IoU 와 Dice 는 서로 다른 성질을 잰다.
    사실같은 교집합 · 합집합으로 정해지며 Dice = 2·IoU ÷ (1 + IoU) 이다 — 한 쌍의 마스크에서 둘의 순위는 같고 Dice 가 늘 같거나 크다(사례 긁힘 0.704 ↔ 0.826).
  • 오해면적이 정답과 비슷하면 마스크가 맞은 것이다.
    사실사례 긁힘의 면적 오차 −2.9% 는 넘친 27화소와 빠진 32화소가 서로 지운 값이고, 같은 마스크의 IoU 는 0.704 였다.

10핵심 정리

구분맡는 일출력지표 · 식사례 · 원문 값흔한 실패
의미 분할화소마다 클래스클래스 지도IoU · mIoU · Dice후처리 뒤 mIoU 0.852붙은 결함 · 끊긴 긁힘 개수
인스턴스 분할물체마다 마스크마스크 + 클래스마스크 기준 APMask R-CNN 5 fps마스크 겹침 처리
파놉틱 분할클래스 + 인스턴스 idid 지도PQ · IoU 0.5 초과 맞춤TP + ½FP + ½FN셀 수 있는 클래스 정의
인코더-디코더문맥 ↔ 위치원래 크기 점수 지도합성곱 23계층(U-Net)572 → 388계단 경계
IoU겹침 비율0 ~ 1교집합 ÷ 합집합긁힘 0.704얇은 대상에서 급락
Dice겹침 비율 · 손실0 ~ 12 × 교집합 ÷ 넓이 합긁힘 0.826IoU 와 같은 정보로 이중 보고
후처리마스크 → 측정값개수 · 면적연결 요소 · 최소 크기덩어리 54 → 2끊긴 긁힘을 둘로 셈
화소 정확도맞은 화소 비율0 ~ 1맞은 화소 ÷ 전체전부 배경 0.9559결함을 숨김

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ U-Net: Convolutional Networks for Biomedical Image Segmentation (MICCAI 2015 · arXiv 1505.04597) — 축소 · 확장 경로와 복사 · 연결(2절 · 그림 1), 경계 가중 손실(3절)을 원문으로 볼 때
    O. Ronneberger · P. Fischer · T. Brox · arXiv · 2015-05 · arxiv.org/abs/1505.04597 · 확인 2026-11-12
  3. ★ Fully Convolutional Networks for Semantic Segmentation (CVPR 2015 · arXiv 1411.4038) — 분류망을 화소 단위 출력으로 바꾸고 깊은 · 얕은 특징을 합치는 출발점을 볼 때
    J. Long · E. Shelhamer · T. Darrell · arXiv · 2014-11 · arxiv.org/abs/1411.4038 · 확인 2026-11-12
  4. ★ Panoptic Segmentation (CVPR 2019 · arXiv 1801.00868) — 의미 · 인스턴스 분할의 차이(3절)와 PQ 식 · IoU 0.5 초과 맞춤(4절)을 볼 때
    A. Kirillov 외 · arXiv · 2018-01 · arxiv.org/abs/1801.00868 · 확인 2026-11-12
  5. ★ V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation (3DV 2016 · arXiv 1606.04797) — Dice 계수를 손실로 써서 전경 · 배경 불균형을 다루는 방법을 볼 때
    F. Milletari · N. Navab · S.-A. Ahmadi · arXiv · 2016-06 · arxiv.org/abs/1606.04797 · 확인 2026-11-12
  6. 본문 근거
  7. Segmentation-Based Deep-Learning Approach for Surface-Defect Detection (Journal of Intelligent Manufacturing 2019 · arXiv 1903.08536) — D. Tabernik 외 · arXiv · 2019-03 · arxiv.org/abs/1903.08536 · 확인 2026-11-12
  8. Mask R-CNN (ICCV 2017 · arXiv 1703.06870) — K. He 외 · arXiv · 2017-03 · arxiv.org/abs/1703.06870 · 확인 2026-11-12
  9. Segment Anything (ICCV 2023 · arXiv 2304.02643) — A. Kirillov 외 · arXiv · 2023-04 · arxiv.org/abs/2304.02643 · 확인 2026-11-12
  10. Measures of the Amount of Ecologic Association Between Species (Ecology 26(3) 297-302) — L. R. Dice · Ecological Society of America · 1945-07 · doi.org/10.2307/1932409 · 확인 2026-11-12
  11. The Distribution of the Flora in the Alpine Zone (New Phytologist 11(2) 37-50) — P. Jaccard · Wiley · 1912-02 · doi.org/10.1111/j.1469-8137.1912.tb05611.x · 확인 2026-11-12
  12. NumPy 2.4 Reference - Random Generator (numpy.random.default_rng) — NumPy Developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12