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 논문은 단안 카메라로 깊이를 추정하는 Monocular Depth Estimation(MDE) 분야에서 더욱 정밀한 깊이를 추정하기 위해 새로운 최적화 모듈을 제안한다. 기존에는 단일 이미지를 네트워크에 입력하여 직접적으로 깊이 이미지를 추정하는 회귀방식과 이산화된 깊이 값 클래스들(Bins)을 사전 정의하여 각 픽셀의 Bins 확률을 추정하는 분류 방식을 사용해왔고, 최근에는 기존 분류 방식을 넘어 학습 가능한 Bins에 대한 연구가 활발하게 이루어지고 있다. 이러한 접근 방식의 핵심은 최적의 Bins를 추정하기 위한 Bins 최적화 모듈에 있으며, 다양한 모듈이 제안되며 많은 발전을 거두어 왔다. 그러나, 기존의 모듈들은 네트워크의 어떤 레이어의 출력 표현들을 한정적으로 사용(e.g. Splitter)하거나, 이 출력 표현들이 직접적으로 Bins를 추정는 것이 아닌 어떤 도구(e.g. Attractor)를 사용하여 간접적으로 Bins를 추정하는 등 최적의 Bins 추정에 제한점이 있었다. 그래서 앞서 기술한 제한점을 극복하기 위해, 출력 표현들과 Bins의 1:1 매칭이 이루어지는 방식의 Deformable Cardinality Module(DCM)을 새롭게 제안한다. 이러한 1:1 매칭 방식은 레이어 출력 표현들이 각 Bin에 독립적으로 매칭되고 변형될 수 있도록 하였으며, 각 Bin에 매칭된 표현들이 최적의 방향으로 추정하여 MDE 작업의 성능을 향상시킬 수 있었다. 아울러 최근 MDE 성능 향상을 위해 제안되었던 Split-Transform-Conversion-Merge(STCM) 전략과 함께 사용하여 더욱 정밀한 Bins 추정이 가능하며, 최종적으로 비교 실험을 통해 여러 평가 지표에서 정량적인 성능 향상과 시각적인 측면에서 또한 정상적인 깊이 추정이 가능함을 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
UCI(KEPA) : I410-151-25-02-090994227
