論文の概要: FIFO: Learning Fog-invariant Features for Foggy Scene Segmentation

• arxiv url: http://arxiv.org/abs/2204.01587v1
• Date: Mon, 4 Apr 2022 15:33:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 15:39:06.438309
• Title: FIFO: Learning Fog-invariant Features for Foggy Scene Segmentation
• Title（参考訳）: fifo:フォギーシーンセグメンテーションのためのフォグ不変特徴の学習
• Authors: Sohyun Lee, Taeyoung Son, Suha Kwak
• Abstract要約: 本稿では,霧に対して頑健なセマンティックセグメンテーションモデルを学習するための新しい手法を提案する。 その鍵となる考え方は、画像の霧条件をそのスタイルとして考慮し、異なる霧条件で画像間のギャップを閉じることである。 本手法は,3つの実際の霧画像データセットにおいて,従来よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 14.932318540666548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust visual recognition under adverse weather conditions is of great importance in real-world applications. In this context, we propose a new method for learning semantic segmentation models robust against fog. Its key idea is to consider the fog condition of an image as its style and close the gap between images with different fog conditions in neural style spaces of a segmentation model. In particular, since the neural style of an image is in general affected by other factors as well as fog, we introduce a fog-pass filter module that learns to extract a fog-relevant factor from the style. Optimizing the fog-pass filter and the segmentation model alternately gradually closes the style gap between different fog conditions and allows to learn fog-invariant features in consequence. Our method substantially outperforms previous work on three real foggy image datasets. Moreover, it improves performance on both foggy and clear weather images, while existing methods often degrade performance on clear scenes.
• Abstract（参考訳）: 悪天候下でのロバストな視覚認識は,実世界のアプリケーションにおいて非常に重要である。 本研究では,霧に対して頑健なセマンティックセグメンテーションモデルを学習するための新しい手法を提案する。 その鍵となる考え方は、画像の霧条件をそのスタイルとして考慮し、セグメンテーションモデルのニューラルスタイル空間において異なる霧条件を持つ画像間のギャップを閉じることである。 特に、画像のニューラルスタイルは、一般的に他の要因や霧の影響を受けているため、フォグパスフィルタモジュールを導入して、そのスタイルからフォグ関連因子を抽出する。 フォグパスフィルタとセグメンテーションモデルの最適化は、異なるフォグ条件の間のスタイルギャップを徐々に閉鎖し、結果としてフォグ不変な特徴を学ぶことができる。 本手法は, 3つの実画像データセットにおける従来の作業を大幅に上回っている。 さらに、霧や晴れた天気画像のパフォーマンスも向上し、既存の手法ではクリアな場面での性能が劣化することが多い。

関連論文リスト

• D2SL: Decouple Defogging and Semantic Learning for Foggy Domain-Adaptive Segmentation [0.8261182037130406]
  そこで我々は,D2SLと呼ばれる新しい学習フレームワークD2SLを提案する。 本稿では,デファッギングタスクとセグメンテーションタスクの接続を確立するためのドメイン一貫性転送戦略を提案する。 実際の霧画像から霧の先行を十分に活用することにより、霧の消火効果を改善するために、実際の霧の移動戦略を設計する。
  論文  参考訳（メタデータ） (2024-04-07T04:55:58Z)
• Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
  低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。 この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。 我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-17T18:50:15Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• Counting Crowds in Bad Weather [68.50690406143173]
  本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。 モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。 実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-02T00:00:09Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Structure Representation Network and Uncertainty Feedback Learning for Dense Non-Uniform Fog Removal [64.77435210892041]
  本研究では,不確実性フィードバック学習を用いた構造表現ネットワークを提案する。 具体的には、事前訓練された視覚変換器(DINO-ViT)モジュールから特徴表現を抽出し、背景情報を復元する。 大気中の光色を推定する難易度に対処するために,入力画像のグレースケール版を利用する。
  論文  参考訳（メタデータ） (2022-10-06T17:10:57Z)
• Cloud removal Using Atmosphere Model [7.259230333873744]
  クラウド除去はリモートセンシングデータ分析において重要なタスクである。 本稿では,低階及びスパースモデルの枠組みにおける任意のシーンの画像の時間的シーケンスに散乱モデルを用いることを提案する。 本研究では,クラウドカバーを定量的に解析できる半現実的シミュレーション手法を開発した。
  論文  参考訳（メタデータ） (2022-10-05T01:29:19Z)
• Leveraging Scale-Invariance and Uncertainity with Self-Supervised Domain Adaptation for Semantic Segmentation of Foggy Scenes [4.033107207078282]
  FogAdaptは、密集した霧のシーンに対するセマンティックセグメンテーションのドメイン適応のための新しいアプローチである。 FogAdaptは、霧のイメージのセマンティックセグメンテーションにおいて、現在の最先端を著しく上回る。
  論文  参考訳（メタデータ） (2022-01-07T18:29:58Z)
• Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic Foggy Scene Understanding [63.99301797430936]
  我々は,2要素(スタイルとフォグ)を累積的に適応させる新しいパイプラインを提案する。 具体的には、スタイルファクタとフォグファクタを分離し、異なる領域のイメージから二重要素を分離する統一的なフレームワークを考案する。 提案手法は,3つのベンチマーク上での最先端性能を実現し,雨や雪の場面における一般化能力を示す。
  論文  参考訳（メタデータ） (2021-12-01T13:21:20Z)
• Multi-Model Learning for Real-Time Automotive Semantic Foggy Scene Understanding via Domain Adaptation [17.530091734327296]
  本研究では,霧の多い気象条件にロバストな自動車意味理解手法を提案する。 提案手法では,RGB色,深度,輝度の画像を密接な接続性を持つ異なるエンコーダに組み込む。 我々のモデルは、モデル全体の複雑さのごく一部で、現代のアプローチに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2020-12-09T21:04:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。