2달 전
EL-GAN: 임베딩 손실 기반 생성적 적대 네트워크를 이용한 차선 검출
Mohsen Ghafoorian; Cedric Nugteren; Nóra Baka; Olaf Booij; Michael Hofmann

초록
컨벌루션 신경망은 의미 분할 문제에 성공적으로 적용되어 왔습니다. 그러나 많은 문제들이 본질적으로 픽셀 단위 분류 문제가 아니지만, 그럼에도 불구하고 종종 의미 분할로 표현됩니다. 이러한 부적절한 표현은 결과적으로 시나리오별로 수작업으로 설계되고 계산 비용이 큰 후처리 방법을 필요로 하여, 각 픽셀의 확률 맵을 최종 원하는 출력으로 변환해야 합니다. 생성적 적대 네트워크(GANs)는 의미 분할 네트워크의 출력을 더 실제적이거나 구조를 잘 보존하도록 만들 수 있으며, 이는 잠재적으로 복잡한 후처리에 대한 의존성을 줄일 수 있습니다. 본 연구에서는 이러한 문제를 해결하기 위해 임베딩 손실을 사용하는 GAN 프레임워크인 EL-GAN을 제안합니다. EL-GAN은 라벨과 예측값의 학습된 임베딩을 동시에 구분합니다. 이는 '가짜'와 '진짜' 예측값을 동시에 보면서 더 나은 판별 정보를 제공하여 훈련이 안정적으로 이루어지도록 합니다. 이는 적대 훈련 과정을 실질적으로 안정화시킵니다. 우리는 TuSimple 차선 마킹 챌린지를 사용하여 제안된 프레임워크가 의미 분할 문제로 설정되는 것의 고유한 이상성을 극복할 수 있음을 보여줍니다. 제안된 방법을 사용하면 기존 방법과 비교해 출력이 라벨과 상당히 유사해지고, 후속 후처리도 간단해져 경쟁력 있는 96% 정확도 기준을 초과합니다.