저조도 향상 및 분리된 생성을 기반으로 한 적응형 의미 세그멘테이션 네트워크를 위한 적대적 학습 도메인

야간 의미 세그멘테이션은 저대비, 불명확한 이미지, 그리고 저품질 주석과 같은 문제로 인해 마스크의 심각한 저하를 초래합니다. 본 논문에서는 소스 도메인 모델을 대상 도메인으로 전이하는 데 있어 저조도 이미지 주석에 대한 의존성을 극복하는 야간 의미 세그멘테이션을 위한 도메인 적응 접근법을 소개합니다. 프론트 엔드에서는 경량 딥러닝과 매핑 곡선 반복을 결합한 저조도 이미지 향상 서브 네트워크를 채택하여 야간 전경 대비를 향상시킵니다. 세그멘테이션 네트워크에서는 같은 의미 영역 내에서 일관된 표현을 생성하기 위해 본체 생성 및 엣지 보존 가지가 구현됩니다. 또한, 작은 대상에 대한 예측 정확도를 높이기 위해 픽셀 가중치 전략이 내장됩니다. 훈련 중에는 소스 도메인과 대상 도메인 간의 특징을 구분하는 판별기가 구현되어 세그멘테이션 네트워크의 적대적 전이 학습을 안내합니다. 제안한 접근법의 유효성은 Dark Zurich, 야간 운전, CityScapes에서의 테스트를 통해 검증되었으며, mIoU, PSNR, SSIM의 평가를 포함합니다. 이들은 우리의 접근법이 세그멘테이션 시나리오에서 기존 기준을 초월함을 확인합니다.