RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      Semi-supervised learning 기반의 domain adaptation을 적용한 semantic segmentation = Domain adaptation with semi-supervised learning for semantic segmentation

      한글로보기

      https://www.riss.kr/link?id=T16070878

      • 0

        상세조회
      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      다국어 초록 (Multilingual Abstract)

      Data-driven based supervised learning has been performed well in various visual tasks. As the models grow larger and deeper, large amounts and high-quality training data becomes more important. However, it is very expensive to obtain labeled data suitable for the task and domain.
      At this time, if the digital twin world is constructed similarly to real world, not only can the desired ground truth in virtual space be infinitely obtained, but also data that is difficult to obtain in the real world can be obtained easily. Of course, a model trained with synthetic data that can be obtained through simulation does not perform well because of the distribution shift between real world.
      In this paper, we propose a UDAS framework that achieves high performance despite the small amount of training data using synthetic data to reduce data acquisition cost and dependency on domain training data. The UDAS framework consists of an Unsupervised Domain Adaptation which is combined with Semi-supervised learning techniques such as Self-training and Consistency regulation. In addition, Domain CutMix technique is added to reduce the domain distribution gaps. We achieved high mIoU compared to the UDA SOTA for semantic segmentation using this framework. Moreover, it has only little difference from the model trained by the supervised learning methods and it shows more stable and higher performance than the supervised learning methods when the training data is small.
      번역하기

      Data-driven based supervised learning has been performed well in various visual tasks. As the models grow larger and deeper, large amounts and high-quality training data becomes more important. However, it is very expensive to obtain labeled data suit...

      Data-driven based supervised learning has been performed well in various visual tasks. As the models grow larger and deeper, large amounts and high-quality training data becomes more important. However, it is very expensive to obtain labeled data suitable for the task and domain.
      At this time, if the digital twin world is constructed similarly to real world, not only can the desired ground truth in virtual space be infinitely obtained, but also data that is difficult to obtain in the real world can be obtained easily. Of course, a model trained with synthetic data that can be obtained through simulation does not perform well because of the distribution shift between real world.
      In this paper, we propose a UDAS framework that achieves high performance despite the small amount of training data using synthetic data to reduce data acquisition cost and dependency on domain training data. The UDAS framework consists of an Unsupervised Domain Adaptation which is combined with Semi-supervised learning techniques such as Self-training and Consistency regulation. In addition, Domain CutMix technique is added to reduce the domain distribution gaps. We achieved high mIoU compared to the UDA SOTA for semantic segmentation using this framework. Moreover, it has only little difference from the model trained by the supervised learning methods and it shows more stable and higher performance than the supervised learning methods when the training data is small.

      더보기

      국문 초록 (Abstract)

      Data-driven 기반의 Supervised learning이 여러 visual task 분야에서 좋은 성과를 거둬오고 있다. 학습 모델이 더욱 커지고 깊어짐에 따라 양질의 학습 데이터가 더욱 중요해지고, 그에 따라 모델의 성능이 좌우되고 있다. 하지만 문제와 도메인에 맞는 annotation 데이터를 얻기 위한 비용은 human resource가 많이 들어가고 여전히 매우 비싸다. 이 때 현실과 유사하게 digital twin 세계를 구축하면 가상의 공간 내에서 원하는 Ground Truth 데이터를 무한하게 얻을 수 있고 더 나아가 현실 세계에서 얻기 어려운 데이터들도 비교적 쉽게 획득할 수 있다. 물론 시뮬레이션을 통해 얻을 수 있는 synthetic 데이터는 현실 데이터와 distribution shift가 존재하기 때문에 데이터를 그대로 사용하면 좋은 성능의 모델을 얻을 수 없다.
      본 논문에서는 synthetic 데이터를 이용해 데이터 획득 비용을 줄이고, 도메인 학습 데이터에 대한 의존성을 낮춰서 학습 데이터가 적은 환경에서도 높은 성능을 보일 수 있는 UDAS 프레임워크를 제안한다. UDAS 프레임워크는 Unsupervised Domain Adaptation 구조에 Semi-supervised learning 기법인 Self-training, Consistency regularization을 결합하였고 도메인 간 distribution gap을 줄이기 위해 Domain CutMix를 도입하여 기존 semantic segmentation UDA SOTA 대비 높은 mIoU를 달성하였다. 또한 Supervised learning 방식으로 학습된 모델의 성능과 크게 차이가 나지 않고, 오히려 학습 데이터가 적은 경우에는 Supervised learning 보다 안정적이고 높은 성능을 보이는 것을 확인하였다.
      번역하기

      Data-driven 기반의 Supervised learning이 여러 visual task 분야에서 좋은 성과를 거둬오고 있다. 학습 모델이 더욱 커지고 깊어짐에 따라 양질의 학습 데이터가 더욱 중요해지고, 그에 따라 모델의 성...

      Data-driven 기반의 Supervised learning이 여러 visual task 분야에서 좋은 성과를 거둬오고 있다. 학습 모델이 더욱 커지고 깊어짐에 따라 양질의 학습 데이터가 더욱 중요해지고, 그에 따라 모델의 성능이 좌우되고 있다. 하지만 문제와 도메인에 맞는 annotation 데이터를 얻기 위한 비용은 human resource가 많이 들어가고 여전히 매우 비싸다. 이 때 현실과 유사하게 digital twin 세계를 구축하면 가상의 공간 내에서 원하는 Ground Truth 데이터를 무한하게 얻을 수 있고 더 나아가 현실 세계에서 얻기 어려운 데이터들도 비교적 쉽게 획득할 수 있다. 물론 시뮬레이션을 통해 얻을 수 있는 synthetic 데이터는 현실 데이터와 distribution shift가 존재하기 때문에 데이터를 그대로 사용하면 좋은 성능의 모델을 얻을 수 없다.
      본 논문에서는 synthetic 데이터를 이용해 데이터 획득 비용을 줄이고, 도메인 학습 데이터에 대한 의존성을 낮춰서 학습 데이터가 적은 환경에서도 높은 성능을 보일 수 있는 UDAS 프레임워크를 제안한다. UDAS 프레임워크는 Unsupervised Domain Adaptation 구조에 Semi-supervised learning 기법인 Self-training, Consistency regularization을 결합하였고 도메인 간 distribution gap을 줄이기 위해 Domain CutMix를 도입하여 기존 semantic segmentation UDA SOTA 대비 높은 mIoU를 달성하였다. 또한 Supervised learning 방식으로 학습된 모델의 성능과 크게 차이가 나지 않고, 오히려 학습 데이터가 적은 경우에는 Supervised learning 보다 안정적이고 높은 성능을 보이는 것을 확인하였다.

      더보기

      목차 (Table of Contents)

      • 목차
      • 그림 목차 iii
      • 표 목차 iv
      • 국 문 요 약 v
      • 목차
      • 그림 목차 iii
      • 표 목차 iv
      • 국 문 요 약 v
      • 제1장 서 론 1
      • 제2장 관련 연구 4
      • 2.1. Semantic Segmentation 4
      • 2.2. Semi-supervised learning (SSL) 5
      • 2.3. Unsupervised Domain Adaptation (UDA) 7
      • 제3장 제안 방법 12
      • 3.1. Overview 12
      • 3.2. Image Translation 15
      • 3.3. Unsupervised Domain Adaptation 16
      • 3.4. Domain CutMix 20
      • 3.5. Self-Training 23
      • 제4장 실험 및 결과 26
      • 4.1. Experimental Settings 26
      • 4.1.1. Dataset 26
      • 4.1.2. Evaluation Metric 28
      • 4.2. Implementation Details 28
      • 4.2.1. Input Data Size 28
      • 4.2.2. Semantic Segmentation 30
      • 4.2.3. Image Translation 31
      • 4.2.4. Domain CutMix 33
      • 4.2.5. Pseudo Labeling 34
      • 4.3. Quantitative Comparison 36
      • 4.3.1. Performance 36
      • 4.3.2. Data Dependency 40
      • 제5장 결론 42
      • 참고문헌 43
      • ABSTRACT 46
      더보기

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼