[논문]안개영상의 의미론적 분할 및 안개제거를 위한 심층 멀티태스크 네트워크

송태용; 장현성; 하남구; 연윤모; 권구용; 손광훈

doi:10.9717/kmms.2019.22.9.1000

안개영상의 의미론적 분할 및 안개제거를 위한 심층 멀티태스크 네트워크
Deep Multi-task Network for Simultaneous Hazy Image Semantic Segmentation and Dehazing 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.22 no.9, 2019년, pp.1000 - 1010

송태용 (School of Electrical Electronic Engineering, Yonsei University) , 장현성 (EO) , 하남구 (EO) , 연윤모 (EO) , 권구용 (EO) , 손광훈 (School of Electrical Electronic Engineering, Yonsei University)

Abstract ▼ AI-Helper

Image semantic segmentation and dehazing are key tasks in the computer vision. In recent years, researches in both tasks have achieved substantial improvements in performance with the development of Convolutional Neural Network (CNN). However, most of the previous works for semantic segmentation assume the images are captured in clear weather and show degraded performance under hazy images with low contrast and faded color. Meanwhile, dehazing aims to recover clear image given observed hazy image, which is an ill-posed problem and can be alleviated with additional information about the image. In this work, we propose a deep multi-task network for simultaneous semantic segmentation and dehazing. The proposed network takes single haze image as input and predicts dense semantic segmentation map and clear image. The visual information getting refined during the dehazing process can help the recognition task of semantic segmentation. On the other hand, semantic features obtained during the semantic segmentation process can provide cues for color priors for objects, which can help dehazing process. Experimental results demonstrate the effectiveness of the proposed multi-task approach, showing improved performance compared to the separate networks.

주제어

표/그림 (7)

그림 Fig. 1. Challenge of semantic segmentation with hazy images.
그림 Fig. 2. Overall architecture of the proposed multi-task network for semantic segmentation and dehazing.
그림 Fig. 3. Semantic segmentation on hazy images with different networks.
표 Table 1. Performance of semantic segmentation with different configurations
그림 Fig. 4. Dehazing results of dehazing network and proposed multi-task network. Objective metrics are averaged over all images.
그림 Fig. 5. Semantic segmentation results on hazy image.
그림 Fig. 6. Dehazing results of previous method and the proposed method. Objective metrics are averaged over all test images.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이와 같은 이유로 안개제거기술 또한 컴퓨터 비전에서 활발히 연구되어 온 기술이다. 단일 영상 안개제거 기술은 하나의 입력 영상으로부터 Clean 영상을 얻는 것을 목표로 한다. 이는 단일 영상에 대해 다수의 Clean 영상의 추정이 가능한 ill-posed 문제이다.
멀티태스크 학습은 여러 개의 다양한 작업을 함께 학습함으로써 단일 학습 대비 두 작업 모두에서 향상된 결과를 얻는 것을 목표로 한다. 멀티태스크 학습에는 두 작업이 물리적, 수학적으로 관련이 있는 경우도 있지만 [18, 19], 비교적 약한 연관성을 지닌 경우도 있다 [20, 21].
본 논문에서는 단일 안개 영상(I)을 네트워크의 입력으로 하여 영상의 의미론적 분할 결과(M)와 안개제거 영상(J)을 출력으로써 얻는 것을 목표로 한다. 이를 위해 두 가지 작업을 동시에 수행하는 멀티태스크 네트워크를 설계하였다.
본 논문에서는 의미론적 분할과 안개제거가 함께 학습 되었을 때 서로 도움을 줄 수 있다는 가정에 착안하여, 하나의 단일 네트워크로 두 가지를 동시에 수행하는 멀티태스크(Multi-task, 다중 작업) 심층 네트워크를 제안한다. 문헌 조사에 따르면 본 연구는 의미론적 분할과 안개제거를 동시에 수행한 최초의 연구이다.
본 논문에서는 컴퓨터 비전의 주요 분야인 영상의 의미론적 분할 기술이 안개가 낀 환경에서 획득된 영상에서 성능이 저하되는 문제점과, 장면의 의미론적 정보 없이 이루어지는 기존 안개제거 연구의 한계점에 대해 시사하였다. 이러한 문제점을 해결하기 위해 본 논문에서는 영상의 의미론적 분할과 안개제거를 동시에 수행하는 딥 러닝 기반 멀티태스크 학습 프레임워크를 제안하였다.
위 논문들은 공통적으로 서로 다른 두 개 이상의 작업이 서로 연관성이 있으며, 따라서 네트워크가 두 작업을 수행하기 위해 학습되는 과정에서 파라미터 공유(Parameter Sharing)을 통해 향상된 성능을 낼 수 있음을 제시하였다. 본 연구에서는 비교적 서로 다른 두 작업을 동시에 수행하는 네트워크에서의 파라미터 공유를 통한 성능 향상을 제시하였다.
본 논문에서는 컴퓨터 비전의 주요 분야인 영상의 의미론적 분할 기술이 안개가 낀 환경에서 획득된 영상에서 성능이 저하되는 문제점과, 장면의 의미론적 정보 없이 이루어지는 기존 안개제거 연구의 한계점에 대해 시사하였다. 이러한 문제점을 해결하기 위해 본 논문에서는 영상의 의미론적 분할과 안개제거를 동시에 수행하는 딥 러닝 기반 멀티태스크 학습 프레임워크를 제안하였다. 이는 안개제거 과정에서의 영상 세부정보가 의미론적 분할에 도움을 주고, 의미론적 분할의 물체에 대한 정보가 안개제거의 색상복원에 도움을 줄 수 있다는 것을 가정한다.

가설 설정

그러나 이러한 기존 기술은 입력 영상이 열화 없이 촬영된 (Fig. 1(a)) 것을 가정하고 안개 등 날씨의 영향으로 인한 손상이 있는 경우(Fig. 1(d))를 별도로 가정하지 않으며, 따라서 영상의 왜곡 또는 손상이 있을 경우 큰 성능 저하를 보인다 (Fig.
이러한 문제점을 해결하기 위해 본 논문에서는 영상의 의미론적 분할과 안개제거를 동시에 수행하는 딥 러닝 기반 멀티태스크 학습 프레임워크를 제안하였다. 이는 안개제거 과정에서의 영상 세부정보가 의미론적 분할에 도움을 주고, 의미론적 분할의 물체에 대한 정보가 안개제거의 색상복원에 도움을 줄 수 있다는 것을 가정한다. 본 연구의 결과로 각 작업을 따로 학습했을 때보다 동시에 학습했을 때 성능이 향상되는 것을 확인하였으며, 기존의 각 분야 연구 결과보다 향상된 성능을 내는 것을 확인하였다.

제안 방법

3에 주어졌다. Seg-C 네트워크의 Clean 영상에 대한 성능을 기준으로 잡아 다른 결과들과 비교하였다. Clean 영상에 학습한 네트워크(Seg-C)로 안개영상에 대한 분할을 수행 할 경우 mIoU가 0.
먼저 실험 환경에 대해 설명하고, 각 작업을 별개로, 혹은 순차적으로 처리하는 것보다 제안한 멀티태스크 방식을 통해 향상된 결과를 얻을 수 있음을 보인다. 마지막으로, 안개제거와 영상의 의미론적 분할을 다루는 기존 방법들과의 성능을 비교한다.
본 절에서는 영상의 의미론적 분할과 안개제거에 관한 기존 연구들의 결과와 제안한 멀티태스크 네트워크의 결과를 비교한다. 의미론적 분할과 안개제거를 동시에 수행한 기존 연구가 부재하므로 각각을 수행한 연구의 결과들과 비교를 진행하였다.
제안한 멀티태스크 네트워크의 효율성을 보이기 위하여 안개 영상을 입력으로 하는 의미론적 분할네트워크, 혹은 안개제거 네트워크를 단독으로 학습한 경우와 결과를 비교하였다. 분할 네트워크를 Clean영상과 안개영상으로 각각 학습하였으며(Seg-C, Seg-H), 안개제거 네트워크(Dehazing)와 멀티태스크 네트워크(Proposed)는 안개영상만으로 학습하였다.
2절에서 보였으므로, 안개를 고려하여 분할 네트워크를 학습한 기존의 연구 SFSU [13]와 비교한다. 안개제거는 CNN 기반 단일 영상을 안개 제거 방식들인 DehazeNet [6], MSCNN [7], DCPDN [8]과 성능을 비교한다. 비교한 방법들의 소스코드와 네트워크 파라미터는 모두 저자가 공개한 것을 사용하였다.
본 절에서는 영상의 의미론적 분할과 안개제거에 관한 기존 연구들의 결과와 제안한 멀티태스크 네트워크의 결과를 비교한다. 의미론적 분할과 안개제거를 동시에 수행한 기존 연구가 부재하므로 각각을 수행한 연구의 결과들과 비교를 진행하였다. 의미론적 분할에 대해서는, 안개를 고려하지 않은 의미론적 분할 네트워크가 안개 상황에서 성능이 크게 저하되는 것을 4.
의미론적 분할과 안개제거를 동시에 수행한 기존 연구가 부재하므로 각각을 수행한 연구의 결과들과 비교를 진행하였다. 의미론적 분할에 대해서는, 안개를 고려하지 않은 의미론적 분할 네트워크가 안개 상황에서 성능이 크게 저하되는 것을 4.2절에서 보였으므로, 안개를 고려하여 분할 네트워크를 학습한 기존의 연구 SFSU [13]와 비교한다. 안개제거는 CNN 기반 단일 영상을 안개 제거 방식들인 DehazeNet [6], MSCNN [7], DCPDN [8]과 성능을 비교한다.
따라서 학습을 위해 입력 안개 영상과 그에 해당하는 Clean영상, 영상 분할에 대한 Ground-truth 쌍의 학습 데이터 구성이 필요하다. 이를 위해 Ground-truth 분할 영상이 제공되는 Clean 영상에 인공적인 안개를 합성한다. 안개영상 합성을 위해서 일반적으로 사용되는 안개 영상의 수학적 모델(식 (1))을 사용하였다.
본 논문에서는 단일 안개 영상(I)을 네트워크의 입력으로 하여 영상의 의미론적 분할 결과(M)와 안개제거 영상(J)을 출력으로써 얻는 것을 목표로 한다. 이를 위해 두 가지 작업을 동시에 수행하는 멀티태스크 네트워크를 설계하였다. 이는 안개 과정에서 점차 개선되는 영상의 특징들(Feature)이 영상의 의미론적 분할에 도움을 줄 수 있으며, 반대로 영상 내 물체들의 의미론적 정보가 안개제거의 수행에 있어서 각 물체의 본래 색상을 복원하는 과정에 단서를 주어 상호보완성을 지닐 수 있음에 착안하였다.
이는 동영상의 안개제거를 목표로 하며, 사전에 학습 된(Pre-trained) 분할네트워크를 [17] 사용하여 안개 동영상의 각 프레임(Frame)으로부터 의미론적 분할 영상을 생성한다. 이후 분할 결과를 안개제거 네트워크의 중간 Feature와 Concatenate 시킨 뒤 최종적으로 투과맵을 추정한다. 해당 연구는 의미론적 정보가 투과맵 추정에 도움이 될 수 있음을 보였지만, 안개에 의해 저하되는 의미론적 분할 결과의 정확도는 고려하지 않았다.
제안한 네트워크는 의미론적 분할과 안개제거 모두 다량의 데이터를 사용한 지도학습(Supervised Learning)을 통해 학습된다. 따라서 학습을 위해 입력 안개 영상과 그에 해당하는 Clean영상, 영상 분할에 대한 Ground-truth 쌍의 학습 데이터 구성이 필요하다.
3419). 제안한 멀티태스크 네트워크는 안개제거 과정에서 얻어지는 영상의 세부 정보를 이용하여 더욱 정확한 의미론적 분할을 수행하였다 (mIoU = 0.3842).
해당 데이터셋은 Cityscapes에서 제공되는 잡음이 있는(Noisy) 깊이 영상을 RGB 영상과 의미론적 분할에 대한 Groundtruth인 Mgt를 사용한Dual-reference Cross-Bilateral Filtering (DBF)을 사용하여 개선 한 뒤 여러 값의 산란계수 β를 사용해 투과맵을 생성한다.

대상 데이터

또한 물체의 클래스(Class)수인 k는 Cityscapes 데이터셋에 맞도록 20으로 설정하였다. Cityscapes 데이터셋은 Test Set에 대한 Ground-truth 분할 영상이 제공되지 않아 입력 안개 영상을 생성하거나 성능 평가를 할 수 없는 문제점이 있어, 성능평가는 500장의 Clean 영상으로 이루어진 Validation Set으로부터 생성된 1,500장의 안개 영상으로 진행하였다. 영상의 의미론적 분할을 위한 측정 방식으로는 mIoU (mean Intersection over Union)을 사용하였고, 안개제거의 성능 측정은 PSNR (Peak Signal to Noise Ratio)과 SSIM(Structure Similarity)을 사용하였다.
본 논문에서는 Cityscapes 데이터셋 [23]에서 파생된 Foggy Cityscapes-DBF 데이터셋 [14]을 사용하여 학습 데이터를 구성하였다. 해당 데이터셋은 Cityscapes에서 제공되는 잡음이 있는(Noisy) 깊이 영상을 RGB 영상과 의미론적 분할에 대한 Groundtruth인 M_gt를 사용한Dual-reference Cross-Bilateral Filtering (DBF)을 사용하여 개선 한 뒤 여러 값의 산란계수 β를 사용해 투과맵을 생성한다.
DBF 처리를 통해 테두리가 물체와 잘 정렬된 투과맵을 계산하여 자연스러운 안개를 합성할 수 있다. 본 논문에서는 Foggy Cityscapes-DBF에서 제공되는 투과맵과(0.7, 1.0) 범위의 Airlight A를 사용해 식 (1)을 통해 안개 영상을 생성하여 결과적으로 학습 데이터 {I, J_gt,, M_gt}를 구성한다.
본 연구에서는 학습을 위해 3.8GHz CPU와 24GB RAM, NVIDIA Titan X GPU가 장착된 PC를 이용 하였으며. 딥 러닝 라이브러리로는 Tensorflow [24]를 사용하였다.
각 블록의 끝에서 이루어지는 최대값 풀링을 통해 Feature의 사이즈는 절반으로 줄어들고, 다음 블록의 첫 컨벌루션에서 Feature의 채널(Channel)의 수는 두 배가 된다. 인코더는 총 5개의 블록을 포함하며, 인코더의 마지막 Feature는 입력 영상 크기의 1/32 크기를 갖는다.

데이터처리

제안한 멀티태스크 네트워크의 효율성을 보이기 위하여 안개 영상을 입력으로 하는 의미론적 분할네트워크, 혹은 안개제거 네트워크를 단독으로 학습한 경우와 결과를 비교하였다. 분할 네트워크를 Clean영상과 안개영상으로 각각 학습하였으며(Seg-C, Seg-H), 안개제거 네트워크(Dehazing)와 멀티태스크 네트워크(Proposed)는 안개영상만으로 학습하였다.

이론/모형

이후 개발된 딥 러닝 기반 연구들도 식 (1)을 기반으로 인공적으로 생성된 안개 영상을 통해 투과맵과 Airlight를 추정하는 방식이 주가 되어왔다. Dehaze Net [6]은 BReLU 활성함수와 Maxout [15]을 사용하여 투과맵을 추정하였으며, MSCNN [7]은 Coarse 스케일과 Fine 스케일 네트워크를 이용하여 투과맵을 추정하였다. 위 방식들의 네트워크는 물체의 구조적 정보 또는 의미론적 정보를 고려하지 않고 픽셀의 색상 등 지역적인 특징만으로 투과맵을 추정해 물체의 색상 등에 따라 실제 투과맵과 다른 값을 추정을 하는 등의 문제가 있으며, Airlight는 경험적 가정 [3]에 의해 추정한다는 한계점이 있다.
1을 곱하여 총 30 Epoch동안 학습하였으며, 식 (2)의 는 1로 설정하였다. 네트워크 학습에는 Cityscapes 데이터셋 [23]의 학습 세트인 2,993장의 Clean 영상과 Mask를 GT로 하는 안개영상을 Foggy Cityscapes-DBF [14]의 방식으로 생성하여 네트워크의 입력으로 사용하였다. 또한 물체의 클래스(Class)수인 k는 Cityscapes 데이터셋에 맞도록 20으로 설정하였다.
8GHz CPU와 24GB RAM, NVIDIA Titan X GPU가 장착된 PC를 이용 하였으며. 딥 러닝 라이브러리로는 Tensorflow [24]를 사용하였다. 학습과 평가 시에 영상은 320×480 크기로 조정하였다.
이를 위해 Ground-truth 분할 영상이 제공되는 Clean 영상에 인공적인 안개를 합성한다. 안개영상 합성을 위해서 일반적으로 사용되는 안개 영상의 수학적 모델(식 (1))을 사용하였다.
Cityscapes 데이터셋은 Test Set에 대한 Ground-truth 분할 영상이 제공되지 않아 입력 안개 영상을 생성하거나 성능 평가를 할 수 없는 문제점이 있어, 성능평가는 500장의 Clean 영상으로 이루어진 Validation Set으로부터 생성된 1,500장의 안개 영상으로 진행하였다. 영상의 의미론적 분할을 위한 측정 방식으로는 mIoU (mean Intersection over Union)을 사용하였고, 안개제거의 성능 측정은 PSNR (Peak Signal to Noise Ratio)과 SSIM(Structure Similarity)을 사용하였다.
여기서 는 두 목적함수간의 균형을 맞추기 위한 파라미터이다. 의미론적 분할에 대한 학습을 위해 기존 의미론적 분할 연구 [9, 10, 11, 12]에서 일반적으로 사용되는 픽셀 별 Cross-entropy Loss를 추정값 M과 Ground-truth M_gt사이에 적용하였다(식 (3)).
2에 제시되었다. 제안한 네트워크는 기존의 멀티태스크 논문들 [19, 21]에서 일반적으로 사용되는 인코더-디코더(Encoder-Decoder) 구조를 사용하였다. 안개 영상을 입력으로 받는 하나의 인코더 네트워크와 해당 인코더 feature를 입력으로 하는 두 개의 디코더 네트워크로 구성된다.

성능/효과

4에 주어졌다. 단일 네트워크만 학습한 경우 PSNR = 27.66, SSIM = 0.9363의 성능을 보였으며, 제안한 멀티태스크 네트워크는 분할 과정에서 얻어지는 물체의 의미론적 정보를 추가적으로 사용하여 PSNR = 28.31, SSIM = 0.9483로 향상된 성능을 보인다. 안개제거 단일 네트워크 또한 전반적으로 우수한 성능을 보이지만 식물의 색상을 옅게 만들거나 (Saturated) 건물의 색상을 잘 복원하지 못하는 경우가 관찰되었다.
제안한 네트워크는 상호 보완적인 두 작업을 동시에 학습함으로써 가중치 공유(Weight sharing)를 통해 개선된 성능을 보인다. 또한, 각각의 작업을 위해 별도의 네트워크를 사용하는 것, 혹은 두 작업을 순서대로 처리하는 것보다 메모리와 계산양의 측면에서 효율적이다.
본 장에서는 제안한 방법의 효율성을 보이기 위한 실험 결과를 제시한다. 먼저 실험 환경에 대해 설명하고, 각 작업을 별개로, 혹은 순차적으로 처리하는 것보다 제안한 멀티태스크 방식을 통해 향상된 결과를 얻을 수 있음을 보인다. 마지막으로, 안개제거와 영상의 의미론적 분할을 다루는 기존 방법들과의 성능을 비교한다.
7792로 낮은 성능을 보인다. 반면, 제안한 멀티태스크 네트워크는 과한 안개로 영상의 정보가 완전히 손실된 부분을 제외하고는 정답 Clean 영상과 가까운 안개제거 영상을 정확하게 복원하며, 정량적 측면에서도 PSNR = 28.31, SSIM = 0.9483으로 월등히 우수한 결과를 보인다.
이는 안개제거 과정에서의 영상 세부정보가 의미론적 분할에 도움을 주고, 의미론적 분할의 물체에 대한 정보가 안개제거의 색상복원에 도움을 줄 수 있다는 것을 가정한다. 본 연구의 결과로 각 작업을 따로 학습했을 때보다 동시에 학습했을 때 성능이 향상되는 것을 확인하였으며, 기존의 각 분야 연구 결과보다 향상된 성능을 내는 것을 확인하였다. 이와 같은 프레임워크는 향후 다른 영상인식과 영상개선 분야에 접목하여 확장이 가능하다.
이 두 논문[20, 21]은 두 결과물이 일련의 수식으로 도출되지는 않지만, 서로 관련이 있다는 점에서 멀티태스크 학습을 제안하였다. 위 논문들은 공통적으로 서로 다른 두 개 이상의 작업이 서로 연관성이 있으며, 따라서 네트워크가 두 작업을 수행하기 위해 학습되는 과정에서 파라미터 공유(Parameter Sharing)을 통해 향상된 성능을 낼 수 있음을 제시하였다. 본 연구에서는 비교적 서로 다른 두 작업을 동시에 수행하는 네트워크에서의 파라미터 공유를 통한 성능 향상을 제시하였다.
반면, DCPDN [8] 영상을 전반적으로 과하게 밝게 만들며, 안개 또한 성공적으로 제거하지 못하는 모습을 보였다. 정량적 평가로는 DehazeNet은 PSNR = 16.90, SSIM = 0.5835, MSCNN은 PSNR = 16.84, SSIM = 0.5218, 그리고 DCPDN은 PSNR = 22.63, SSIM = 0.7792로 낮은 성능을 보인다. 반면, 제안한 멀티태스크 네트워크는 과한 안개로 영상의 정보가 완전히 손실된 부분을 제외하고는 정답 Clean 영상과 가까운 안개제거 영상을 정확하게 복원하며, 정량적 측면에서도 PSNR = 28.
제안한 네트워크를 학습하기 위해 인공적으로 합성된(Synthetic) 다량의 안개 영상을 이용하였으며, 결과적으로 네트워크는 다양한 상황의 안개 영상에 효율적으로 적용될 수 있다. 제안한 네트워크는 상호 보완적인 두 작업을 동시에 학습함으로써 가중치 공유(Weight sharing)를 통해 개선된 성능을 보인다. 또한, 각각의 작업을 위해 별도의 네트워크를 사용하는 것, 혹은 두 작업을 순서대로 처리하는 것보다 메모리와 계산양의 측면에서 효율적이다.

후속연구

문헌 조사에 따르면 본 연구는 의미론적 분할과 안개제거를 동시에 수행한 최초의 연구이다. 제안한 네트워크를 학습하기 위해 인공적으로 합성된(Synthetic) 다량의 안개 영상을 이용하였으며, 결과적으로 네트워크는 다양한 상황의 안개 영상에 효율적으로 적용될 수 있다. 제안한 네트워크는 상호 보완적인 두 작업을 동시에 학습함으로써 가중치 공유(Weight sharing)를 통해 개선된 성능을 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	영상의 의미론적 분할은 무엇인가?	영상의 의미론적 분할은 영상에서 같은 클래스(Class)의 물체에 해당하는 픽셀끼리 나누는 작업으로, 자율주행 등 산업의 각종 분야의 자동화를 위해 필수적인 연구인 영상인식의 한 분야이다. 최근GPU 등 하드웨어의 발달과 다양의 데이터 셋에 기반을 둔 딥 러닝 방식들이 FCN[9] 을 시작으로 개발되어 왔다.
	멀티태스크 학습의 목표는 무엇인가?	멀티태스크 학습은 여러 개의 다양한 작업을 함께 학습함으로써 단일 학습 대비 두 작업 모두에서 향상된 결과를 얻는 것을 목표로 한다. 멀티태스크 학습에는 두 작업이 물리적, 수학적으로 관련이 있는 경우도 있지만 [18,19], 비교적 약한 연관성을 지닌 경우도 있다 [20,21].
	제안한 네트워크에서 의미론적 분할과 안개제거 모두 다량의 데이터를 사용한 지도학습을 통해 학습될 때 필요한 구성은?	제안한 네트워크는 의미론적 분할과 안개제거 모두 다량의 데이터를 사용한 지도학습(Supervised Learning)을 통해 학습된다. 따라서 학습을 위해 입력 안개 영상과 그에 해당하는 Clean영상, 영상 분할에 대한 Ground-truth 쌍의 학습 데이터 구성이 필요하다. 이를 위해 Ground-truth 분할 영상이 제공되는 Clean 영상에 인공적인 안개를 합성한다.

참고문헌 (28)

C. Oh, B. Kim, and K. Sohn, "Automatic Illumination Invariant Road Detection with Stereo Vision," Proceedings of the IEEE Conference on Industrial Electronics and Applications, pp. 889-893, 2012.
A. Krizhevsky, I. Sutskever, and G. Hinton, "Imagenet Classification with Deep Convolutional Neural Networks," Advances in Neural Information Processing Systems, pp. 1097-1105, 2012.
S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-time Object Detection with Region Proposal Networks," Advances in Neural Information Processing Systems, pp 91-99, 2015.
K. He, J. Sun, and X. Tang, "Single Image Haze Removal Using Dark Channel Prior," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 33, No. 12, pp. 2341-2353, 2011.

상세보기
Q. Zhu, J. Mai, and L. Shao, "A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior," IEEE Transactions on Image Processing, Vol. 24, No. 11, pp. 3522-3533, 2015.

상세보기
B. Cai, X. Xu, K. Jia, C. Qing, and D. Tao, "Dehazenet: An End-to-end System for Single Image Haze Removal," IEEE Transactions on Image Processing, Vol. 25, No. 11, pp. 5187-5198, 2016.

상세보기
W. Ren, S. Liu, H. Zhang, J. Pan, X. Cao, and M.H. Yang, "Single Image Dehazing via Multi-scale Convolutional Neural Networks," Proceeding of European Conference on Computer Vision, pp. 156-169, 2016.
H. Zhang and V.M. Patel, "Densely Connected Pyramid Dehazing Network," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3194-3203, 2018.
J. Long, E. Shelhamer, and T. Darrell, "Fully Convolutional Networks for Semantic Segmentation," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3431-3440, 2015.
V. Badrinarayanan, A. Kendall, and R. Cipolla, "Segnet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 39, No. 12, pp. 2481-2495, 2017.

상세보기
O. Ronneberger, P. Fischer, and T. Brox, "U-net: Convolutional Networks for Biomedical Image Segmentation," International Conference on Medical Image Computing and Computer-assisted Intervention, pp. 234-241, 2015.
H. Zhao, J. Shi, X. Qi, X. Wang, and J. Jia, "Pyramid Scene Parsing Network," Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 6230-6239, 2016.
C. Sakaridis, D. Dai, and L. Van Gool, "Semantic Foggy Scene Understanding with Synthetic Data," International Journal of Computer Vision, 2018, Vol. 126, No. 9, pp. 973-992.

상세보기
D. Dai, C. Sakaridis, S. Hecker, and L. Van Gool, "Curriculum Model Adaptation with Synthetic and Real Data for Semantic Foggy Scene Understanding," International Journal of Computer Vision, pp. 1-23, 2019.
I. Goodfellow, D. Warde-Farley, M. Mirza, A. C. Courville, and Y. Bengio, "Maxout Networks," Proceedings of the 30th International Conference on Machine Learning, pp. 1319-1327, 2013.
W. Ren, J. Zhang, X. Xu, L. Ma, X. Cao, G. Meng, et al., "Deep Video Dehazing with Semantic Segmentation," IEEE Transactions on Image Processing, Vol. 28, No. 4, pp. 1895-1908, 2018.
G. Lin, A. Milan, C. Shen, and I. Reid, "Refinenet: Multipath Refinement Networks with Identity Mappings for High-resolution Semantic Segmentation," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1925-1934, 2017.
T. Song, Y. Kim, C. Oh, and K. Sohn, "Deep Network for Simultaneous Stereo Matching and Dehazing," British Machine Vision Conference, 2018.
X. Qi, R. Liao, Z. Liu, R. Urtasun, and J. Jia, "Geonet: Geometric Neural Network for Joint Depth and Surface Normal Estimation," Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp 283-291, 2018.
X. Zhang, H. Dong, Z. Hu, W. Lai, F. Wang, and M. Yang, "Gated Fusion Network for Joint Image Deblurring and Super-resolution," British Machine Vision Conference, 2018.
L. Pan, Y. Dai, M. Liu, and F. Porikli, "Simultaneous Stereo Video Deblurring and Scene Flow Estimation," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 4382-4391, 2017.
K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-scale Image Recognition," Proceeding of International Conference on Learning Representations, 2015.
M. Cordts, M. Omran, S. Ramos, T. Rehfeld, M. Enzweiler, R. Benenson, et al., "The Cityscapes Dataset for Semantic Urban Scene Understanding," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3213-3223, 2016.
M. Abadi, P. Barham, J. Chen, Z. Chen, A. Davis, J, Dean et al., "Tensorflow: A System for Large-scale Machine Learning," 12th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 16), pp. 265-283, 2016.
D. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization," Proceeding of International Conference on Learning Representations, 2015.
B. Lee and S. Kwon, "Automatic Classification System of Tablets with Various Colors and Shapes," Journal of Korea Multimedia Society, Vol. 21, No. 6, pp. 659-666, 2018.
Y. Jeong, I. Ansari, J. Shim, and J. Lee, "A Car Plate Area Detection System Using Deep Convolution Neural Network," Journal of Korea Multimedia Society, Vol. 20, No. 8, pp. 1166-1174, 2017.
H. Lee, J. Sa, H. Shin, Y. Chung, D. Park, and H. Kim, "Separation of Occluding Pigs using Deep Learning-based Image Processing Techniques," Journal of Korea Multimedia Society, Vol. 22, No. 2, pp 136-145, 2019.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증