HyperAIHyperAI
vor 8 Tagen

Sowohl Stil als auch Dunst sind relevant: Kumulative Domänenanpassung für die semantische Verständnis von nebligen Szenen

Xianzheng Ma, Zhixiang Wang, Yacheng Zhan, Yinqiang Zheng, Zheng Wang, Dengxin Dai, Chia-Wen Lin
Sowohl Stil als auch Dunst sind relevant: Kumulative Domänenanpassung für die semantische Verständnis von nebligen Szenen
Abstract

Obwohl erhebliche Fortschritte bei der semantischen Szenenverstehens unter klarem Wetter erzielt wurden, bleibt die Aufgabe unter ungünstigen Wetterbedingungen wie dichtem Nebel weiterhin herausfordernd, bedingt durch die Unsicherheiten, die durch unvollkommene Beobachtungen entstehen. Zudem erschweren die Schwierigkeiten bei der Sammlung und Beschriftung von nebligen Bildern den Fortschritt in diesem Forschungsfeld. Angesichts des Erfolgs bei der semantischen Szeneninterpretation unter klarem Wetter erscheint es sinnvoll, Wissen, das aus klaren Bildern gelernt wurde, auf die neblige Domäne zu übertragen. Das Problem reduziert sich somit darauf, die Domänenlücke zwischen klaren und nebligen Bildern zu schließen. Im Gegensatz zu früheren Ansätzen, die sich hauptsächlich auf die Überwindung der durch Nebel verursachten Domänenlücke konzentrieren – entweder durch Entnebelung nebliger Bilder oder durch Neblung klarer Bilder – schlagen wir vor, die Domänenlücke durch gleichzeitige Berücksichtigung der Nebelwirkung und der Stilvariation zu verringern. Die Motivation hierfür basiert auf unserer Erkenntnis, dass die durch den Stil bedingte Lücke und die durch den Nebel verursachte Lücke getrennt analysiert und jeweils separat geschlossen werden können, indem eine Zwischendomäne eingeführt wird. Daher schlagen wir eine neue Pipeline vor, die den Stil, den Nebel und den zweifaktoriellen Einfluss (Stil und Nebel) kumulativ anpasst. Konkret entwickeln wir einen einheitlichen Rahmen, um den Stil- und den Nebelfaktor getrennt voneinander, sowie den zweifaktoriellen Einfluss aus Bildern verschiedener Domänen zu entkoppeln. Darüber hinaus kombinieren wir die Entkoppelung der drei Faktoren mit einer neuartigen kumulativen Verlustfunktion, um diese drei Faktoren umfassend zu entkoppeln. Unsere Methode erreicht die bisher beste Leistung auf drei Benchmarks und zeigt zudem eine gute Generalisierungsfähigkeit auch in regen- und schneereichen Szenen.

Sowohl Stil als auch Dunst sind relevant: Kumulative Domänenanpassung für die semantische Verständnis von nebligen Szenen | Neueste Forschungsarbeiten | HyperAI