COARSE: Collaborative Pseudo-Labeling with Coarse Real Labels for Off-Road Semantic Segmentation
Created by
- Haebom
Category
Empty
저자
Aurelio Noca, Xianmei Lei, Jonathan Becktor, Jeffrey Edlund, Anna Sabel, Patrick Spieler, Curtis Padgett, Alexandre Alahi, Deegan Atha
개요
본 논문은 자율 주행 오프로드 환경에서의 견고한 지각 능력 확보를 위해, 기하학적 및 의미론적 이해를 모두 포함하는 강건한 지각 능력이 필요하지만, 충분한 의미론적 데이터 부족으로 도메인 간 일반화가 어려운 문제를 해결하는 것을 목표로 합니다. 이를 위해, COARSE라는 반지도 학습 기반 도메인 적응 프레임워크를 제안합니다. COARSE는 도메인 내의 부족한 조잡한 레이블과 도메인 외부의 밀집 레이블 데이터를 활용하여, 사전 훈련된 비전 트랜스포머와 보완적인 픽셀 수준 및 패치 수준 디코더를 사용하여 도메인 간 차이를 해소하고, 레이블이 없는 데이터에 대한 협업적 의사 레이블링 전략을 통해 성능을 향상시킵니다. RUGD 및 Rellis-3D 데이터셋에서의 평가 결과, 조잡한 데이터만 사용하는 경우에 비해 각각 9.7% 및 8.4%의 성능 향상을 보였으며, 다양한 생물 군계를 포함한 실제 오프로드 차량 데이터에 대한 테스트를 통해 COARSE의 실용성을 입증했습니다.
시사점, 한계점
•
시사점:
◦
부족한 레이블 데이터를 효과적으로 활용하여 오프로드 자율 주행의 의미론적 분할 성능을 향상시키는 새로운 방법 제시.
◦
도메인 적응 문제를 효과적으로 해결하여 다양한 환경에서의 일반화 성능 향상.
◦
픽셀 수준 및 패치 수준 디코더와 협업적 의사 레이블링 전략의 효과를 실험적으로 검증.
◦
실제 오프로드 환경에서의 성능 검증을 통해 실용성 입증.
•
한계점:
◦
제안된 방법의 성능 향상이 특정 데이터셋에 국한될 가능성.
◦
다양한 오프로드 환경에 대한 일반화 능력에 대한 추가적인 연구 필요.
◦
의사 레이블링 전략의 신뢰도 및 정확도 향상에 대한 추가 연구 필요.
◦
극한 환경이나 예측하지 못한 상황에 대한 로버스트니스에 대한 추가적인 평가 필요.
