[논문]MS-UDA: Multi-Spectral Unsupervised Domain Adaptation for Thermal Image Semantic Segmentation

Kim, Yeong-Hyeon; Shin, Ukcheol; Park, Jinsun; Kweon, In So

doi:10.1109/lra.2021.3093652

[해외논문] MS-UDA: Multi-Spectral Unsupervised Domain Adaptation for Thermal Image Semantic Segmentation

IEEE robotics and automation letters, v.6 no.4, 2021년, pp.6497 - 6504

Kim, Yeong-Hyeon (KAIST, Division of Future Vehicle, Daejeon, Republic of Korea) , Shin, Ukcheol (KAIST, School of Electrical Engineering, Daejeon, Republic of Korea) , Park, Jinsun (KAIST, School of Electrical Engineering, Daejeon, Republic of Korea) , Kweon, In So (KAIST, School of Electrical Engineering, Daejeon, Republic of Korea)

Abstract ▼ AI-Helper

In this letter, we propose a multi-spectral unsupervised domain adaptation for thermal image semantic segmentation. The proposed framework aims to address the data scarcity problem and boost segmentation performance in the thermal domain with the help of existing large-scale RGB datasets and segmentation knowledge from an RGB image segmentation network. We also enhance the generalization capability of our thermal segmentation network with pixel-level domain adaptation bridging day and night thermal image domains. With our framework, a thermal image segmentation network can achieve high performance without any ground-truth labels by exploiting successive multi-spectral knowledge transfers including RGB-to-RGB, RGB-to-Thermal, and Thermal-to-Thermal adaptations. Moreover, we provide a real-world RGB-Thermal semantic segmentation dataset with 950 manually annotated Cityscapes-style ground-truth labels in 19 classes. Experimental results on real-world datasets demonstrate the effectiveness and robustness of the proposed framework quantitatively and qualitatively.

참고문헌 (36)

10.1109/CVPR42600.2020.00382
10.1109/ICCV.2019.00608
10.1007/978-3-030-01219-9_18
Workshop on Challenges in Representation Learning Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks lee 2013 3
Proc Adv Neural Inf Process Syst Pytorch: An imperative style, high-performance deep learning library paszke 2019 8026
10.1109/CVPR.2009.5206848
Proc Adv Neural Inf Process Syst Generative adversarial nets goodfellow 2014 2672
Sun, Yuxiang, Zuo, Weixun, Yun, Peng, Wang, Hengli, Liu, Ming. FuseSeg: Semantic Segmentation of Urban Scenes Based on RGB and Thermal Data Fusion. IEEE transactions on automation science and engineering, vol.18, no.3, 1000-1011.

상세보기
Proc IEEE/RSJ Int Conf Intell Robot Syst Heatnet: Bridging the day-night domain gap in semantic segmentation with thermal images vertens 2020 8461
10.1109/ICCV.2017.322
10.1109/CVPR.2017.106
Wang, Jingdong, Sun, Ke, Cheng, Tianheng, Jiang, Borui, Deng, Chaorui, Zhao, Yang, Liu, Dong, Mu, Yadong, Tan, Mingkui, Wang, Xinggang, Liu, Wenyu, Xiao, Bin. Deep High-Resolution Representation Learning for Visual Recognition. IEEE transactions on pattern analysis and machine intelligence, vol.43, no.10, 3349-3364.

상세보기
10.1109/IROS40897.2019.8968590
10.1109/CVPR.2017.243
Proc Int’l Conf Mach Learn Cycada: Cycle-consistent adversarial domain adaptation hoffman 2018 1989
10.1109/CVPR.2018.00473
10.1109/CVPR.2019.00258
10.1109/ICCVW.2019.00461
10.1109/CVPR.2016.350
Proc Int’l Conf Learn Representations Privileged adversarial learning from simulation lee 2018
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollar, P., Zitnick, C.L.. Microsoft COCO: Common Objects in Context. Lecture notes in computer science, vol.8693, 740-755.

상세보기
Unsupervised depth and ego-motion estimation for monocular thermal video using multi-spectral consistency loss shin 2021
10.1109/CVPR42600.2020.01262
10.1109/CVPR.2015.7298706
Sun, Yuxiang, Zuo, Weixun, Liu, Ming. RTFNet: RGB-Thermal Fusion Network for Semantic Segmentation of Urban Scenes. IEEE robotics and automation letters, vol.4, no.3, 2576-2583.

상세보기
10.1109/IROS.2017.8206396
Chen, Liang-Chieh, Papandreou, George, Kokkinos, Iasonas, Murphy, Kevin, Yuille, Alan L.. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE transactions on pattern analysis and machine intelligence, vol.40, no.4, 834-848.

상세보기
10.1109/ICRA40945.2020.9196831
10.1109/CVPR.2014.81
10.1109/CVPR.2019.00200
10.1109/ICCV.2017.244
10.1109/CVPR.2018.00780
10.1109/CVPR42600.2020.01299
10.1109/ICCV.2017.167
10.1109/ICCV.2019.00746
10.1109/CVPR.2019.00710

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

원문 URL 링크

DOI : 10.1109/LRA.2021.3093652
IEEE : 저널 > 논문

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

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

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].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증