earticle

영어

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.

한국어

의미론적 영상 분할을 위한 컨볼루션 신경망 기반 접근 방식은 픽셀 단위 레이블을 통한 지도 학습에 의존한다. 하 지만 접근 불가능한 도메인으로 일반화되지 않을 수 있는 문제점이 존재한다. 의미론적 영상 분할에서 모든 데이터 에 사람이 직접 레이블을 지정하는 작업은 노동 집약적이기 때문에 소량의 라벨링 데이터를 이용해 네트워크의 일반 화 성능을 향상시키는 것은 매우 중요하다. 본 논문에서는 가상 도메인과 현실 도메인 사이의 교차 도메인 혼합 샘 플링을 활용한 도메인 적응 학습 방법을 제안한다. 이를 위하여 혼합 샘플링 방법의 대표적인 기법을 분석하고 활용 하여 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.