교차 도메인 혼합 샘플링 기법을 활용한 준 지도 학습 기반 도메인 적응 기법
Domain Adaptation Method based on Semi-supervised Learning using Cross-domain Mixed Sampling Technique
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
의미론적 영상 분할을 위한 컨볼루션 신경망 기반 접근 방식은 픽셀 단위 레이블을 통한 지도 학습에 의존한다. 하지만 접근 불가능한 도메인으로 일반화되지 않을 수 있는 문제점이 존재한다. 의미론적 영상 분할에서 모든 데이터에 사람이 직접 레이블을 지정하는 작업은 노동 집약적이기 때문에 소량의 라벨링 데이터를 이용해 네트워크의 일반화 성능을 향상시키는 것은 매우 중요하다. 본 논문에서는 가상 도메인과 현실 도메인 사이의 교차 도메인 혼합 샘플링을 활용한 도메인 적응 학습 방법을 제안한다. 이를 위하여 혼합 샘플링 방법의 대표적인 기법을 분석하고 활용하여 도메인 적응 문제에 적용하고 일반화 성능을 비교한다. 제안하는 학습 방법을 통해 학습된 네트워크는 도메인 적응 문제에서 정량적 수치와 정성적 결과 모두 기준 모델을 능가하는 성능을 보인다.
Abstract
In semantic segmentation, a convolutional neural network-based approach relies on supervised learning through pixel-level labels. However, there is a problem that may not be generalized to other inaccessible domains. Therefore, it is very important to improve the generalization performance of the network using a small amount of labeling data because it is labor intensive to manually label all data. In this paper, we propose a domain adaptive learning method using cross-domain mixed sampling between the synthetic domain and the real-world domain. To this end, we analyze and utilize the representative techniques of the mixed sampling method, apply them to the domain adaptation problem, and compare the generalization performance. The network trained through the proposed learning method outperforms the baseline model in both quantitative and qualitative results in domain adaptation problems.
참고문헌 (20)
- 조정찬, "단일 이미지에 기반을 둔 사람의 포즈 추정에 대한 연구 동향", 한국차세대컴퓨팅학회 논문지, 15(5), pp.31~42 (2019), 한국차세대컴퓨팅학회[DOI]
- 오동한, "외부 환경에 강인한 딥러닝 기반 손 제스처 인식", 한국차세대컴퓨팅학회 논문지, 14(5), pp.31~39 (2018), 한국차세대컴퓨팅학회
- 챠이트라 다야난다, "A comparative analysis on segmentation of brain MRI using CNN models", 한국차세대컴퓨팅학회 논문지, 16(3), pp.63~76 (2020), 한국차세대컴퓨팅학회[DOI]
- 박소령, "다중로봇의 정보융합을 통한 다중표적의 유형 및 위치 추정", 한국차세대컴퓨팅학회 논문지, 9(1), pp.38~50 (2013), 한국차세대컴퓨팅학회
- 문석환, "승마운동원리를 적용한 승마로봇시스템 및 제어방법", 한국차세대컴퓨팅학회 논문지, 9(3), pp.68~77 (2013), 한국차세대컴퓨팅학회
- 서민석, "밝기 변화에 강인한 적대적 음영 생성 및 훈련 글자 인식 알고리즘", 로봇학회 논문지, 16(3), pp.276~282 (2021), 한국로봇학회[DOI]
- CORDTS, Marius, "The cityscapes dataset for semantic urban scene understanding", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.3213~3223 (2016)
- RICHTER, Stephan R., "Playing for data:Ground truth from computer games", European conference on computer vision, pp.102~118 (2016), Springer
- ROS, German, "The synthia dataset: A large collection of synthetic images for semantic segmentation of urban scenes", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.3234~3243 (2016)
- Michieli, Umberto, "Adversarial learning and self-teaching techniques for domain adaptation in semantic segmentation", IEEE Transactions on Intelligent Vehicles, 5(3), pp.508~518 (2020)
- SAITO, Kuniaki, "Semi-supervised domain adaptation via minimax entropy", Proceedings of the IEEE, 2019, 8050~8058
- YUN, Sangdoo, "Cutmix: Regularization strategy to train strong classifiers with localizable features", Proceedings of the IEEE, 2019, 6023~6032
- ZHANG, Hongyi, "mixup: Beyond empirical risk minimization", arXiv preprint arXiv:1710. 09412, ~ (2017)
- CHEN,Liang-Chieh, "Deeplab: Semantic image segmentation with deepconvolutional nets, atrous convolution, and fully connected crfs", IEEEtransactions on pattern analysis and machine intelligence, 40(4), pp.834~848 (2017)
- EVERINGHAM, Mark, "The pascal visual object classes challenge : A retrospective", International journal of computer vision, 111(1), pp.98~136 (2015)
- TSAI, Yi-Hsuan, "Learning to adapt structured output space for semantic segmentation", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.7472~7481 (2018)
- HOFFMAN, Judy, "Cycada: Cycle consistent adversarial domain adaptation", International conference on machine learning, pp.1989~1998 (2018)
- ZHU, Jun-Yan, "Unpaired image-toimage translation using cycle-consistent adversarial networks", Proceedings of the IEEE international conference on computer vision, pp.2223~2232 (2017)
- HE, Kaiming, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
- CARUANA, Rich, "Overfitting in neural nets: Backpropagation, conjugate gradient, and early stopping", Advances in neural information processing systems, pp.402~408 (2001)