가이드된 커리큘럼 모델 적응 및 불확실성 인식 평가를 위한 의미론적 야간 이미지 분할

대부분의 의미 분할 연구는 유리한 조명 조건에서 촬영된 주간 이미지를 대상으로 진행되었습니다. 그러나 본 연구에서는 주간 모델을 야간 주석 없이 야간 이미지에 적응시키면서 야간 이미지의 의미 분할 문제를 다루고, 이 분야에서 최신 기술을 개선하였습니다. 또한, 야간 이미지에서 의미의 실질적인 불확실성을 해결하기 위해 새로운 평가 프레임워크를 설계하였습니다. 본 연구의 핵심 기여점은 다음과 같습니다: 1) 라벨링된 합성 이미지와 라벨링되지 않은 실제 이미지를 사용하여 점차적으로 주간에서 야간으로 의미 분할 모델을 적응시키는 커리큘럼 프레임워크, 이는 실제 이미지 간의 시간대별 대응 관계를 활용하여 그 라벨 추론을 안내합니다; 2) 불량 조건을 위한 새로운 불확실성 인식 주석 및 평가 프레임워크와 지표를 설계하였으며, 인간의 인식 능력 범위 외의 영역도 원칙에 따라 평가에 포함시킵니다; 3) Dark Zurich 데이터셋을 제시합니다. 이 데이터셋은 2416개의 라벨링되지 않은 야간 이미지와 2920개의 라벨링되지 않은 황혼 시간대 이미지를 포함하며, 이들 각각은 주간 대응 이미지와 연결됩니다. 또한, 우리의 프로토콜로 생성된 151개의 세밀한 픽셀 수준 주석이 있는 야간 이미지 집합이 포함되어 있어, 새로운 평가를 수행하기 위한 첫 번째 벤치마크 역할을 합니다. 실험 결과, 우리의 안내 커리큘럼 적응 방법이 실제 야간 데이터셋에서 표준 지표와 불확실성 인식 지표 모두에서 최신 기술보다 크게 우수함을 보였습니다. 더불어, 우리의 불확실성 인식 평가는 모호한 내용이 포함된 데이터(예: 우리 야간 벤치마크)에서 예측 선택적 무효화가 더 나은 결과를 가져올 수 있음을 밝혔으며, 이는 무효 입력을 포함하는 안전 중심 응용 프로그램에 이점을 제공합니다.