Fog-Free Training for Foggy Scene Understanding
안개 장면 이해를 위한 안개 비의존 학습
- 주제어 (키워드) Deep learning , Representation learning , Computer vision , Semantic segmentation , Domain Adaptation , 딥러닝 , 표현 학습 , 컴퓨터 비전 , 시멘틱 세그먼테이션 , 도메인 적응
- 발행기관 서강대학교 일반대학원
- 지도교수 최준석
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능학과협동과정
- 실제 URI http://www.dcollection.net/handler/sogang/000000079404
- UCI I804:11029-000000079404
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
It is essential to have semantic segmentation models that work effectively in foggy driving scenarios. This is because fog severely affects the safety of autonomous driving systems, posing significant visibility challenges and increasing the risk of accidents. Traditional methods often use complex and high-cost foggy datasets for training, which can be expensive and difficult to scale. To tackle this issue, we propose a novel fog-free method called ShiftMatch. Our method does not rely on foggy images for training. Instead, it creates virtual domain-shifted images by applying simple data augmentation methods and normalization techniques. During training, we ensure that the segmentation results from both the original and the domain-shifted images are consistent. This approach prevents the model from overfitting to specific domain features, enabling it to learn domain-invariant features effectively. Despite its costefficiency, ShiftMatch achieves state-of-the-art performance on three real foggy scene segmentation datasets. Additionally, it demonstrates superior performance in nighttime, rain, and snow driving scenarios.
more초록 (요약문)
안개가 자율 주행 시스템의 가시성을 크게 저하시켜 사고 위험을 증가시키기 때문에 안개 상황에서도 효과적으로 작동하는 시맨틱 세그멘테이션 모델이 필수적이다. 전통적인 방법들은 복잡하고 비용이 많이 드는 안개 데이터셋을 학습에 사용하며, 이러한 데이터셋은 비용이 높고 확장하기 어렵다. 이를 해결하기 위해 우리는 ShiftMatch라는 새로운 안개 비의존 방식을 제안한다. 우리의 방법은 안개 이미지에 의존하지 않고, 대신 간단한 데이터 증강 및 정규화 기법을 사용하여 가상 도메인 변환 이미지를 생성한다. 학습 과정에서, 원본 이미지와 도메인 변환 이미지의 세그멘테이션 결과가 일관되도록 유지하여 모델이 특정 도메인 특징에 과적합되지 않도록 한다. 이를 통해 모델이 도메인 불변 특징을 효과적으로 학습할 수 있다. ShiftMatch는 비용 효율적이면서도 실제 안개 상황의 세그멘테이션 데이터셋 세 가지에서 최첨단 성능을 달성하며, 야간, 비, 눈과 같은 다른 주행 시나리오에서도 우수한 성능을 보인다.
more목차
Chapter 1. Introduction 1
Chapter 2. Related Work 4
2.1 Semantic Foggy Scene Understanding 4
2.2 Data Augmentation in Representation learning 5
Chapter 3. Methodology 7
Chapter 4. Experiments 12
4.1 Comparison with State-of-the-Arts 13
4.1.1 Quantitative Results on Foggy Datasets 13
4.1.2 Qualitative Results on Foggy Datasets 16
4.1.3 Quantitative Results on ACDC Dataset 16
4.1.4 Qualitative Results on ACDC Dataset 20
4.2 Ablation Study 21
Chapter 5. Conclusion 29
References 30