맵 가이드된 커리큘럼 도메인 적응 및 불확실성 인지 평가를 통한 의미론적 야간 이미지 세그멘테이션

우리는 야간 이미지의 의미론적 세분화 문제를 다루며, 야간 레이블을 사용하지 않고도 주간 모델을 야간 환경에 적응시킴으로써 기존 최고 수준의 성능을 향상시킨다. 또한, 야간 이미지에서 의미론적 불확실성이 상당히 크다는 점을 고려하여 새로운 평가 프레임워크를 설계한다. 본 연구의 핵심 기여는 다음과 같다: 1) 주간 이미지와 어두운 이미지 간의 시간대 간 대응 관계를 활용하여, 점차 어두워지는 시간대 순서로 주간에서 야간으로 의미론적 세분화 모델을 점진적으로 적응시키는 교육 과정(커리큘럼) 프레임워크를 제안한다. 이 과정은 참조 맵에서 얻은 주간 이미지와 어두운 이미지 간의 대응 관계를 이용해 어두운 영역에서의 레이블 추론을 안내한다; 2) 인간의 인식 능력을 초월하는 영역까지도 체계적으로 평가에 포함하는 불확실성 인식형(annotation 및 평가) 프레임워크와 평가 지표를 제안한다; 3) 2,416개의 레이블이 없는 야간 이미지와 2,920개의 레이블이 없는 저녁노을 이미지, 그리고 이들의 주간 대응 이미지가 포함된 ‘다크 취리히(Dark Zurich)’ 데이터셋을 구축하였으며, 본 연구의 새로운 평가 프레임워크를 위한 기초 벤치마크로 활용 가능한 201개의 세밀한 픽셀 레벨 레이블이 부여된 야간 이미지를 포함한다. 실험 결과, 지도 기반의 커리큘럼 적응 방식이 기존 최고 수준의 방법들보다 표준 지표와 본 연구의 불확실성 인식형 지표 모두에서 야간 이미지 세분화에서 뛰어난 성능을 보였다. 더불어, 불확실성 인식형 평가를 통해 예측 결과 중 일부를 선택적으로 무효화하는 전략이 의미가 모호한 데이터(예: 본 연구의 벤치마크)에서 성능 향상에 기여함을 확인하였으며, 특히 잘못된 입력이 발생할 수 있는 안전 중심 응용 분야에 실질적인 이점을 제공함을 입증하였다.