KR20220026917A - 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법 - Google Patents

합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법 Download PDF

Info

Publication number
KR20220026917A
KR20220026917A KR1020200108051A KR20200108051A KR20220026917A KR 20220026917 A KR20220026917 A KR 20220026917A KR 1020200108051 A KR1020200108051 A KR 1020200108051A KR 20200108051 A KR20200108051 A KR 20200108051A KR 20220026917 A KR20220026917 A KR 20220026917A
Authority
KR
South Korea
Prior art keywords
image
format
semantic segmentation
segmentation model
domain
Prior art date
Application number
KR1020200108051A
Other languages
English (en)
Other versions
KR102464359B1 (ko
Inventor
변혜란
김명진
전석규
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020200108051A priority Critical patent/KR102464359B1/ko
Publication of KR20220026917A publication Critical patent/KR20220026917A/ko
Application granted granted Critical
Publication of KR102464359B1 publication Critical patent/KR102464359B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 실시예들은 합성 도메인에서 학습한 모델이 실제 도메인에 정확하게 작동하도록 만드는 도메인 적응에 관한 것으로 상이한 형식의 이미지를 혼합하여 시맨틱 분할 모델을 학습시켜, 실제 도메인에서도 정확도를 향상시키는 이미지 변환 방법 및 장치를 제공한다.

Description

합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법 {IMAGE CONVERTING APPARATUS FOR ADAPTING FROM SYNTHETIC DOMAIN TO REAL DOMAIN AND METHOD THEREOF}
본 발명이 속하는 기술 분야는 시맨틱 분할 및 도메인 적응을 수행하는 이미지 변환 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
시맨틱 분할(Semantic segmentation)은 입력 이미지의 각 픽셀에 클래스 레이블을 매칭하는 컴퓨터 비전 작업의 하나이다. 마스크라고 불리는 예측 결과는 자율 주행, 의료 영상 분석 등의 다양한 분야에 적용될 수 있다.
도메인 적응(Domain adaptation)은 어떤 도메인에서 학습한 모델을 다른 도메인에 적용하는 것을 의미한다. 예컨대 레이블이 매칭된 합성 데이터에서 학습한 모델을 실제 데이터에 적용할 수 있다. 도메인 적응의 목적은 훈련 데이터와 테스트 데이터 분포 간의 갭 차이에서 분별력있는 예측 변수를 학습하는 것이다.
한국공개특허공보 제10-2020-0065433호 (2020.06.09.) 한국등록특허공보 제10-0924689호 (2009.10.27.)
본 발명의 실시예들은 합성 도메인에서 학습한 모델이 실제 도메인에 정확하게 작동하도록 만드는 도메인 적응에 관한 것으로 상이한 형식의 이미지를 혼합하여 시맨틱 분할 모델을 학습시켜, 실제 도메인에서도 정확도를 향상시키는 데 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면, 컴퓨팅 디바이스에 의한 이미지 변환 방법에 있어서, 제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 설정하는 단계, 상기 제1 형식의 이미지와 상기 제2 형식의 이미지를 혼합하여 혼합 이미지를 생성하는 단계, 및 상기 혼합 이미지를 이용하여 시맨틱 분할 모델을 학습하는 제1 학습 단계를 포함하는 이미지 변환 방법을 제공한다.
상기 제1 형식의 이미지는 합성 도메인(synthetic domain)에 해당하며 레이블이 매칭된 이미지이고, 상기 제2 형식의 이미지는 상기 합성 도메인에 해당하며 레이블이 매칭되고 질감 다양화를 적용한 이미지이고, 상기 제1 형식의 이미지와 상기 제2 형식의 이미지는 픽셀의 시맨틱 정보가 동일한 시맨틱 레이아웃을 가질 수 있다.
상기 제1 형식의 이미지와 상기 제2 형식의 이미지 간의 혼합비에 따라 픽셀 레벨에서 세부 정보와 질감 표현이 결정되고, 상기 제1 형식의 이미지의 비중을 0.5 내지 0.75로 설정하고, 상기 제2 형식의 이미지의 비중을 0.25 내지 0.5로 설정할 수 있다.
상기 시맨틱 분할 모델은 상기 혼합 이미지와 상기 혼합 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제1 손실 함수를 갖는 시맨틱 분할 모델이며, 상기 시맨틱 분할 모델은 상기 혼합 이미지의 픽셀에 클래스 레이블을 매칭할 수 있다.
상기 시맨틱 분할 모델은 상기 제1 손실 함수를 산출할 때 클래스에 대해서 클래스 가중치를 적용할 수 있다.
상기 이미지 변환 방법은 실제 도메인(real domain)에 해당하는 레이블이 없는 대상 이미지에 대해서 상기 시맨틱 분할 모델로부터 기준치를 만족하는 슈도 레이블을 추출하는 단계 및 상기 시맨틱 분할 모델에 상기 대상 이미지와 상기 대상 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제2 손실 함수를 적용하며, 상기 슈도 레이블에 따라 자가 학습하는 제2 학습 단계를 포함할 수 있다.
상기 이미지 변환 방법은 상기 슈도 레이블에 따라 자가 학습된 시맨틱 분할 모델을 통해 실제 도메인에 해당하는 대상 이미지를 변환하여 변환된 이미지를 출력하는 단계를 포함할 수 있다.
본 실시예의 다른 측면에 의하면, 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 이미지 변환 장치에 있어서, 상기 프로세서는, 제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 설정하고, 상기 제1 형식의 이미지와 상기 제2 형식의 이미지를 혼합하여 혼합 이미지를 생성하고, 상기 혼합 이미지를 이용하여 시맨틱 분할 모델을 학습하는 것을 특징으로 하는 이미지 변환 장치를 제공한다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 합성 도메인에서 학습한 모델이 실제 도메인에 정확하게 작동하도록 만드는 도메인 적응에 관한 것으로 상이한 형식의 이미지를 혼합하여 시맨틱 분할 모델을 학습시켜, 실제 도메인에서도 정확도를 향상시킬 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 이미지 변환 장치를 예시한 블록도이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 이미지 변환 장치가 혼합한 이미지를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 이미지 변환 장치의 시맨틱 분할 모델을 예시한 도면이다.
도 5는 본 발명의 다른 실시예에 따른 이미지 변환 방법을 예시한 흐름도이다.
도 6 및 도 7은 본 발명의 실시예들에 따른 시뮬레이션 결과를 예시한 도면이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 이미지 변환 장치를 예시한 블록도이다.
이미지 변환 장치(110)는 적어도 하나의 프로세서(120), 컴퓨터 판독 가능한 저장매체(130) 및 통신 버스(170)를 포함한다.
프로세서(120)는 이미지 변환 장치(110)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(120)는 컴퓨터 판독 가능한 저장 매체(130)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(120)에 의해 실행되는 경우 이미지 변환 장치(110)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(130)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(130)에 저장된 프로그램(140)은 프로세서(120)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(130)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 이미지 변환 장치(110)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(170)는 프로세서(120), 컴퓨터 판독 가능한 저장 매체(140)를 포함하여 이미지 변환 장치(110)의 다른 다양한 컴포넌트들을 상호 연결한다.
이미지 변환 장치(110)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(150) 및 하나 이상의 통신 인터페이스(160)를 포함할 수 있다. 입출력 인터페이스(150) 및 통신 인터페이스(160)는 통신 버스(170)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(150)를 통해 이미지 변환 장치(110)의 다른 컴포넌트들에 연결될 수 있다.
이미지 변환 장치(110)는 합성 도메인에서 학습한 모델이 실제 도메인에서 잘 작동할 수 있도록 입력 데이터를 변형한다. 이미지 변환 장치(110)는 두 가지 방식에서 사용하는 입력 이미지를 섞는 방식을 사용한다. 하나의 방식은 이미지 변환(Image Translation) 알고리즘을 사용해 두 도메인의 입력 이미지 간의 스타일 차이를 줄이는 방식이고, 다른 하나의 방식은 합성 도메인에 스타일 변환(Style Transfer) 알고리즘을 이용해 질감 다양화(Texture Randomization)를 통해 합성 도메인의 질감에 과적합(Overfit)되지 않게 만드는 질감 불변 표현(texture-invariant representation)을 학습하는 방식이다. 두 방식의 장점을 모두 얻을 수 있어서 개선된 성능을 확보할 수 있다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 이미지 변환 장치가 혼합한 이미지를 예시한 도면이다.
이미지 변환 장치는 제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 설정한다. 이미지 변환 장치는 제1 형식의 이미지와 제2 형식의 이미지를 혼합하여 혼합 이미지를 생성한다.
제1 형식의 이미지는 합성 도메인(synthetic domain)에 해당하며 레이블이 매칭된 이미지이고, 제2 형식의 이미지는 합성 도메인에 해당하며 레이블이 매칭되고 질감 다양화를 적용한 이미지이다. 제1 형식의 이미지와 제2 형식의 이미지는 픽셀의 시맨틱 정보가 동일한 시맨틱 레이아웃을 갖는다. 두 이미지 간에 동일한 시맨틱 레이아웃을 갖지 않으면 시맨틱 분할 과정에서 픽셀 레벨의 시맨틱 정보가 손상되므로, 혼합된 이미지를 사용할 수 없다.
레이블에 따른 이미지 혼합은 수학식 1과 같이 표현된다.
Figure pat00001
xi와 xj는 두 유형의 입력 이미지의 픽셀이고, yi와 yj는 픽셀에 대응하는 레이블이다. λ는 혼합비이다.
제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비에 따라 픽셀 레벨에서 세부 정보와 질감 표현의 비중이 결정된다. 제1 형식의 이미지의 비중을 0.5 내지 0.75로 설정하고, 제2 형식의 이미지의 비중을 0.25 내지 0.5로 설정할 수 있다.
표 1은 SYNTHIA 데이터에서 Cityscapes 데이터로 도메인 적응을 수행한 결과이다.
Figure pat00002
제1 학습 단계에서 질감에 영향을 크게 받는 큰 클래스인 큰 질감 민감성 클래스(예컨대, road, sidewalk 등)와 작은 질감 민감성 클래스(예컨대, traffic-light, traffic-sign 등)가 혼합비에 따라 상이한 변환 결과를 나타냄을 알 수 있다.
표 2은 GTA5 데이터에서 Cityscapes 데이터로 SYNTHIA 데이터에서 Cityscapes 데이터로 도메인 적응을 수행한 결과이다.
Figure pat00003
제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 조절하여 픽셀 레벨에서 세부 정보를 살리면서 질감 표현을 적용할 수 있다. 제1 형식의 이미지의 비중을 0.5 내지 0.75로 설정하고, 제2 형식의 이미지의 비중을 0.25 내지 0.5로 설정하는 것이 바람직하다.
도 4는 본 발명의 일 실시예에 따른 이미지 변환 장치의 시맨틱 분할 모델을 예시한 도면이다.
시맨틱 분할 모델은 특징 추출 모델을 포함할 수 있으며, 특징 추출 모델은 뉴럴 네트워크로 구현될 수 있다. 특징 추출 모델은 다수의 레이어가 네트워크로 연결되며 히든 레이어를 포함한다. 레이어는 파라미터를 포함할 수 있고, 레이어의 파라미터는 학습가능한 필터 집합을 포함한다. 파라미터는 노드 간의 가중치 및/또는 바이어스를 포함한다.
시맨틱 분할 모델은 혼합 이미지를 이용하여 학습하는 제1 학습 단계에서 제1 손실 함수를 최소화하도록 학습하여 최적화된 파라미터를 찾는다.
시맨틱 분할 모델은 혼합 이미지와 혼합 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제1 손실 함수를 갖는 시맨틱 분할 모델이며, 시맨틱 분할 모델은 혼합 이미지의 픽셀에 클래스 레이블을 매칭한다.
제1 손실 함수는 수학식 2와 같이 표현된다.
Figure pat00004
Ps는 혼합 이미지이고,
Figure pat00005
는 혼합 이미지에 대한 픽셀 레벨의 검증 자료이다. H는 이미지의 높이이고, W는 이미지의 폭이고, C는 클래스의 개수이다.
시맨틱 분할 모델은 제1 손실 함수를 산출할 때 클래스에 대해서 클래스 가중치를 적용할 수 있다. 제1 손실 함수를 계산할 때 적은 클래스에 대해 큰 손실을 부여해 클래스 불균형을 해결한다. 클래스 가중치는 수학식 3과 같이 표현된다.
Figure pat00006
클래스 가중치는 전체 클래스의 픽셀 개수를 해당 클래스의 픽셀 개수를 나눈 값을 이용한다.
이미지 변환 장치는 합성 이미지에 대한 제1 학습 단계 이후에 실제 이미지에 대한 제2 학습 단계를 수행한다.
이미지 변환 장치는 실제 도메인(real domain)에 해당하는 레이블이 없는 대상 이미지에 대해서 시맨틱 분할 모델로부터 기준치를 만족하는 슈도 레이블을 추출한다. 예컨대, 기준치 0.9를 초과하는 예측값을 슈도 레이블로 설정할 수 있다.
이미지 변환 장치는 시맨틱 분할 모델에 대상 이미지와 대상 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제2 손실 함수를 적용하며, 슈도 레이블에 따라 자가 학습하는 제2 학습 단계를 수행할 수 있다.
시맨틱 분할 모델은 제2 학습 단계에서 제2 손실 함수를 최소화하도록 학습하여 최적화된 파라미터를 찾는다.
제2 손실 함수는 수학식 4과 같이 표현된다.
Figure pat00007
Pt는 대상 이미지이고,
Figure pat00008
는 대상 이미지에 대한 픽셀 레벨의 검증 자료이다. H는 이미지의 높이이고, W는 이미지의 폭이고, C는 클래스의 개수이다.
Figure pat00009
는 대상 훈련 이미지의 각 픽셀에서 슈도 레이블의 가능여부에 관한 지표이다.
이미지 변환 장치는 슈도 레이블에 따라 자가 학습된 시맨틱 분할 모델을 통해 실제 도메인에 해당하는 대상 이미지를 변환하여 변환된 이미지를 출력한다.
도 5는 본 발명의 다른 실시예에 따른 이미지 변환 방법을 예시한 흐름도이다. 이미지 변환 방법은 컴퓨팅 디바이스에 의하여 수행될 수 있으며, 이미지 변환 장치와 동일한 방식으로 동작한다.
단계 S210에서 프로세서는 제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 설정한다.
단계 S220에서 프로세서는 제1 형식의 이미지와 제2 형식의 이미지를 혼합하여 혼합 이미지를 생성한다.
단계 S230에서 프로세서는 혼합 이미지를 이용하여 시맨틱 변할 모델을 학습한다.
단계 S240에서 프로세서는 실제 도메인에 해당하는 레이블이 없는 대상 이미지에 대해서 시맨틱 분할 모델로부터 기준치를 만족하는 슈도 레이블을 추출한다.
단계 S250에서 프로세서는 시맨틱 분할 모델에 대상 이미지와 대상 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제2 손실 함수를 적용하며, 슈도 레이블에 따라 자가 학습한다.
단계 S260에서 프로세서는 슈도 레이블에 따라 자가 학습된 시맨틱 분할 모델을 통해 실제 도메인에 해당하는 대상 이미지를 변환하여 변환된 이미지를 출력한다.
도 6 및 도 7은 본 발명의 실시예들에 따른 시뮬레이션 결과를 예시한 도면이다.
도 6에 도시된 바와 같이 본 실시예에 따른 이미지 변환 장치는 노이즈를 갖는 입력 이미지에 대해서도 강인하게 시맨틱 분할을 수행하는 것을 쉽게 파악할 수 있다.
도 7에 도시된 바와 같이 본 실시예에 따른 이미지 변환 장치는 검증 자료(Ground truth)에 가장 유사하게 시맨틱 분할을 수행하는 것을 쉽게 파악할 수 있다.
이미지 변환 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
이미지 변환 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 5에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 5에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (14)

  1. 컴퓨팅 디바이스에 의한 이미지 변환 방법에 있어서,
    제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 설정하는 단계;
    상기 제1 형식의 이미지와 상기 제2 형식의 이미지를 혼합하여 혼합 이미지를 생성하는 단계; 및
    상기 혼합 이미지를 이용하여 시맨틱 분할 모델을 학습하는 제1 학습 단계를 포함하는 이미지 변환 방법.
  2. 제1항에 있어서,
    상기 제1 형식의 이미지는 합성 도메인(synthetic domain)에 해당하며 레이블이 매칭된 이미지이고,
    상기 제2 형식의 이미지는 상기 합성 도메인에 해당하며 레이블이 매칭되고 질감 다양화를 적용한 이미지이고,
    상기 제1 형식의 이미지와 상기 제2 형식의 이미지는 픽셀의 시맨틱 정보가 동일한 시맨틱 레이아웃을 갖는 것을 특징으로 하는 이미지 변환 방법.
  3. 제2항에 있어서,
    상기 제1 형식의 이미지와 상기 제2 형식의 이미지 간의 혼합비에 따라 픽셀 레벨에서 세부 정보와 질감 표현이 결정되고,
    상기 제1 형식의 이미지의 비중을 0.5 내지 0.75로 설정하고,
    상기 제2 형식의 이미지의 비중을 0.25 내지 0.5로 설정하는 것을 특징으로 하는 이미지 변환 방법.
  4. 제1항에 있어서,
    상기 시맨틱 분할 모델은 상기 혼합 이미지와 상기 혼합 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제1 손실 함수를 갖는 시맨틱 분할 모델이며, 상기 시맨틱 분할 모델은 상기 혼합 이미지의 픽셀에 클래스 레이블을 매칭하는 것을 특징으로 하는 이미지 변환 방법.
  5. 제4항에 있어서,
    상기 시맨틱 분할 모델은 상기 제1 손실 함수를 산출할 때 클래스에 대해서 클래스 가중치를 적용하는 것을 특징으로 하는 이미지 변환 방법.
  6. 제4항에 있어서,
    실제 도메인(real domain)에 해당하는 레이블이 없는 대상 이미지에 대해서 상기 시맨틱 분할 모델로부터 기준치를 만족하는 슈도 레이블을 추출하는 단계; 및
    상기 시맨틱 분할 모델에 상기 대상 이미지와 상기 대상 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제2 손실 함수를 적용하며, 상기 슈도 레이블에 따라 자가 학습하는 제2 학습 단계를 포함하는 것을 특징으로 하는 이미지 변환 방법.
  7. 제6항에 있어서,
    상기 슈도 레이블에 따라 자가 학습된 시맨틱 분할 모델을 통해 실제 도메인에 해당하는 대상 이미지를 변환하여 변환된 이미지를 출력하는 단계를 포함하는 것을 특징으로 하는 이미지 변환 방법.
  8. 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 이미지 변환 장치에 있어서,
    상기 프로세서는,
    제1 형식의 이미지와 제2 형식의 이미지 간의 혼합비를 설정하고,
    상기 제1 형식의 이미지와 상기 제2 형식의 이미지를 혼합하여 혼합 이미지를 생성하고,
    상기 혼합 이미지를 이용하여 시맨틱 분할 모델을 학습하는 것을 특징으로 하는 이미지 변환 장치.
  9. 제8항에 있어서,
    상기 제1 형식의 이미지는 합성 도메인(synthetic domain)에 해당하며 레이블이 매칭된 이미지이고,
    상기 제2 형식의 이미지는 상기 합성 도메인에 해당하며 레이블이 매칭되고 질감 다양화를 적용한 이미지이고,
    상기 제1 형식의 이미지와 상기 제2 형식의 이미지는 픽셀의 시맨틱 정보가 동일한 시맨틱 레이아웃을 갖는 것을 특징으로 하는 이미지 변환 장치.
  10. 제9항에 있어서,
    상기 제1 형식의 이미지와 상기 제2 형식의 이미지 간의 혼합비에 따라 픽셀 레벨에서 세부 정보와 질감 표현이 결정되고,
    상기 제1 형식의 이미지의 비중을 0.5 내지 0.75로 설정하고,
    상기 제2 형식의 이미지의 비중을 0.25 내지 0.5로 설정하는 것을 특징으로 하는 이미지 변환 장치.
  11. 제8항에 있어서,
    상기 시맨틱 분할 모델은 상기 혼합 이미지와 상기 혼합 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제1 손실 함수를 갖는 시맨틱 분할 모델이며, 상기 시맨틱 분할 모델은 상기 혼합 이미지의 픽셀에 클래스 레이블을 매칭하는 것을 특징으로 하는 이미지 변환 방법.
  12. 제11항에 있어서,
    상기 시맨틱 분할 모델은 상기 제1 손실 함수를 산출할 때 클래스에 대해서 클래스 가중치를 적용하는 것을 특징으로 하는 이미지 변환 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    실제 도메인(real domain)에 해당하는 레이블이 없는 대상 이미지에 대해서 상기 시맨틱 분할 모델로부터 기준치를 만족하는 슈도 레이블을 추출하고,
    상기 시맨틱 분할 모델에 상기 대상 이미지와 상기 대상 이미지에 대한 픽셀 레벨의 검증 자료를 이용하여 정의된 제2 손실 함수를 적용하며, 상기 슈도 레이블에 따라 자가 학습하는 것을 특징으로 하는 이미지 변환 장치.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 슈도 레이블에 따라 자가 학습된 시맨틱 분할 모델을 통해 실제 도메인에 해당하는 대상 이미지를 변환하여 변환된 이미지를 출력하는 것을 특징으로 하는 이미지 변환 장치.
KR1020200108051A 2020-08-26 2020-08-26 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법 KR102464359B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200108051A KR102464359B1 (ko) 2020-08-26 2020-08-26 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200108051A KR102464359B1 (ko) 2020-08-26 2020-08-26 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220026917A true KR20220026917A (ko) 2022-03-07
KR102464359B1 KR102464359B1 (ko) 2022-11-04

Family

ID=80817648

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200108051A KR102464359B1 (ko) 2020-08-26 2020-08-26 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102464359B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898098A (zh) * 2022-06-27 2022-08-12 北京航空航天大学 脑组织图像分割方法
KR102628460B1 (ko) * 2022-11-14 2024-01-23 세종대학교산학협력단 메타버스를 위한 가상 공간 검색 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100924689B1 (ko) 2007-12-17 2009-11-03 한국전자통신연구원 모바일 기기의 이미지 변환 장치 및 방법
KR20200065433A (ko) 2018-11-30 2020-06-09 주식회사 인공지능연구원 스타일 변환 모델 및 포토 몽타주 기반 합성 이미지의 스타일 변환 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100924689B1 (ko) 2007-12-17 2009-11-03 한국전자통신연구원 모바일 기기의 이미지 변환 장치 및 방법
KR20200065433A (ko) 2018-11-30 2020-06-09 주식회사 인공지능연구원 스타일 변환 모델 및 포토 몽타주 기반 합성 이미지의 스타일 변환 장치

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hongyi Zhang et al., ‘mixup: BEYOND EMPIRICAL RISK MINIMIZATION’, arXiv:1710.09412v2 [cs.LG] 27 Apr 2018.* *
Robert Geirhos et al., ‘IMAGENET-TRAINED CNNS ARE BIASED TOWARDS TEXTURE: INCREASING SHAPE BIAS IMPROVES ACCURACY AND ROBUSTNESS’, arXiv:1811.12231v2 [cs.CV] 14 Jan. 2019.* *
Yunsheng Li et al., ‘Bidirectional Learning for Domain Adaptation of Semantic Segmentation’, CVPR, pp. 6936~6945, June 2019.* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898098A (zh) * 2022-06-27 2022-08-12 北京航空航天大学 脑组织图像分割方法
CN114898098B (zh) * 2022-06-27 2024-04-19 北京航空航天大学 脑组织图像分割方法
KR102628460B1 (ko) * 2022-11-14 2024-01-23 세종대학교산학협력단 메타버스를 위한 가상 공간 검색 방법 및 시스템

Also Published As

Publication number Publication date
KR102464359B1 (ko) 2022-11-04

Similar Documents

Publication Publication Date Title
Saltori et al. Cosmix: Compositional semantic mix for domain adaptation in 3d lidar segmentation
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
KR102011788B1 (ko) 계층적 시각 특징을 이용한 시각 질의 응답 장치 및 방법
CN110766038B (zh) 无监督式的地貌分类模型训练和地貌图构建方法
CN111492381A (zh) 神经网络的功能子网络的同时训练
KR20190016539A (ko) 신경망 및 신경망 트레이닝 방법
Li et al. Testing dnn-based autonomous driving systems under critical environmental conditions
KR102464359B1 (ko) 합성 도메인에서 실제 도메인으로 적응하기 위한 이미지 변환 장치 및 방법
KR20220027565A (ko) 참고 이미지의 특성을 고려한 종합적 스타일 변환 장치 및 방법
CN111915618B (zh) 基于峰值响应增强的实例分割算法、计算设备
KR102370910B1 (ko) 딥러닝 기반 소수 샷 이미지 분류 장치 및 방법
CN113469088A (zh) 一种无源干扰场景下的sar图像舰船目标检测方法及系统
KR20210034462A (ko) 픽셀 별 주석을 생성하는 생성적 적대 신경망(gan)을 학습시키는 방법
KR102368560B1 (ko) 선택적 잔여학습을 이용한 시각 질의 응답 방법 및 장치
CN113723603A (zh) 一种更新参数的方法、装置及存储介质
JP2021534498A (ja) 機械学習を使用してバイナリからソースコードを識別するためのシステム及び方法
CN111860465A (zh) 基于超像素的遥感图像提取方法、装置、设备及存储介质
Hagn et al. Improved sensor model for realistic synthetic data generation
Ciancia et al. A Hands-On Introduction to Spatial Model Checking Using VoxLogicA: –Invited Contribution
KR102245774B1 (ko) 공정성 분류 네트워크를 이용한 시각 질의 응답 방법 및 장치
Pajot et al. Unsupervised adversarial image inpainting
JP7111177B2 (ja) 学習装置、学習方法、および学習プログラム
Lu et al. Learning to complete partial observations from unpaired prior knowledge
Reddy et al. Effect of image colourspace on performance of convolution neural networks
KR20230096901A (ko) 자율 주행 차량의 학습을 위한 데이터 증식 방법 및 그를 위한 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant