인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
본 논문에서는 단안 카메라 기반의 깊이 추정 해석을 위한 단일 이미지에서 깊이 추정 방법을 제안한다. 제안된 방법은 기존 딥러닝의 이미지 분류 도메인에서 널리 쓰이는 Split-Transform-Merge(STM) 전략을 Monocular Depth Estimation(MDE) 도메인에 범용적으로 적용될 수 있도록 변형된 전략이며, 깊이 추정 성능 향상을 목적으로 하는 기법이다. 기존에는 단순하게 단일 이미지를 네트워크에 입력하고 출력하는 회귀, 이산화된 깊이 값 클래스들(Bins)을 사전정의하고 네트워크의 출력으로는 각 픽셀의 Bins 확률값을 구하는 분류, 총 두 가지의 작업이 존재했다. 더 나아가, Bins를 사전정의하는 것이 아니라 네트워크의 마지막 출력에 Bins 추정 모듈을 추가시켜 학습할 수 있는 적응성 Bins 기술로 패러다임 전환하였으며, 최근에는 더 정확한 적응성 Bins 추정을 위해 여러 종류의 Bins 추정 모듈에 관한 많은 연구가 이루어지고 있다. 하지만 고차원의 피쳐맵 표현들이 Bins 추정 모듈에 입력될 때, 저차원 피쳐맵 표현들로 사영되어 입력되고 이는 필연적인 정보 손실을 초래하는 제한점이 있었다. 이러한 제한점을 개선하기 위해 피쳐맵 표현들과 Bins 추정 모듈과의 관계를 심층적으로 분석하고 정보 손실이 일어나는 제한점을 개선한 Split-Transform-Conversion-Merge(STCM) 전략을 새롭게 제안한다. 그리고 제안된 연산 전략의 성능 검증을 위해, MDE목적의 여러 기법들에 적용하여 성능 향상 결과를 확인하였고, 실험을 통해 모든 평가 지표에서 향상된 성능을 보였을뿐만 아니라 시각적인 성능에도 높은 향상을 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
