Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation

Created by
  • Haebom

저자

Alessandro dos Santos Ferreira, Ana Paula Marques Ramos, Jose Marcato Junior, Wesley Nunes Gon\c{c}alves

개요

본 논문은 도시 녹지 공간 매핑 및 모니터링의 어려움을 해결하기 위해 도메인 적응과 GAN 및 확산 모델을 통합한 새로운 파이프라인을 제안합니다. 저해상도 항공 이미지의 품질을 향상시켜 수동 주석 데이터가 부족한 상황에서도 효과적인 나무 분할을 가능하게 합니다. pix2pix, Real-ESRGAN, Latent Diffusion, Stable Diffusion과 같은 모델을 활용하여 현실적이고 구조적으로 일관된 합성 샘플을 생성하여 훈련 데이터셋을 확장하고 도메인 간 규모를 통일합니다. 이를 통해 다양한 획득 조건에서 분할 모델의 강건성을 향상시키고, 주석 리소스가 부족한 원격 감지 시나리오에 대한 확장 가능하고 복제 가능한 솔루션을 제공합니다. 실험 결과 저해상도 이미지의 IoU가 50% 이상 향상되는 것을 보여주었습니다.

시사점, 한계점

•
시사점:
◦
저해상도 항공 이미지의 품질 향상을 통해 수동 주석 데이터 부족 문제를 해결하는 효과적인 방법 제시.
◦
GAN 및 확산 모델을 활용한 합성 데이터 생성으로 훈련 데이터셋 확장 및 도메인 간 규모 통일 가능.
◦
다양한 획득 조건에서의 나무 분할 모델 강건성 향상.
◦
원격 감지 분야에서 확장 가능하고 복제 가능한 솔루션 제공.
◦
저해상도 이미지의 IoU 50% 이상 향상이라는 실험적 성과 달성.
•
한계점:
◦
제안된 파이프라인의 성능은 사용된 GAN 및 확산 모델의 성능에 의존적일 수 있음.
◦
합성 데이터의 품질이 실제 데이터와의 차이로 인해 모델 성능에 영향을 미칠 수 있음.
◦
다양한 도시 환경 및 나무 종류에 대한 일반화 성능 평가가 추가적으로 필요함.
◦
특정 모델(pix2pix, Real-ESRGAN, Latent Diffusion, Stable Diffusion)에 대한 의존성으로 인한 다른 모델 적용의 어려움.
👍
Made with Slashpage