Основні поняття
限られたラベル付きデータから、効果的な半教師あり学習フレームワークを提案することで、火星画像のセマンティックセグメンテーションを大幅に改善する。
Анотація
本論文は、火星探査のための重要なビジョンタスクである火星地形セマンティックセグメンテーションに取り組んでいる。
- 火星探査では、ロボットの自律的な計画と安全な走行のために、地形セグメンテーションは重要な基盤となる。
- しかし、十分な詳細で高品質なデータアノテーションが不足しているのが課題である。
- そこで本研究では、データとメソッドの両面から解決策を提案している。
- まず、新しい火星セマンティックセグメンテーションデータセット「S5Mars」を構築した。6,000枚の高解像度画像を含み、信頼度の高い領域のみをスパース(疎)にアノテーションしている。
- 次に、この疎なデータから学習するための半教師あり学習フレームワークを提案した。
- 従来の自然画像用の増強手法が火星画像に適さないことを分析し、新たな2つの増強手法「AugIN」と「SAM-Mix」を開発した。
- さらに、低信頼領域の軟らかいpseudo-labelと高信頼領域の硬いpseudo-labelを組み合わせる「soft-to-hard一貫性学習」を導入した。
- 実験の結果、提案手法が従来の半教師あり学習手法を大幅に上回ることを示した。
Статистика
火星画像のRGB値の標準偏差は自然画像に比べて小さく、色分布が集中していることがわかる。
火星画像のRGB値の変動係数は自然画像に比べて小さい。
Цитати
火星探査では、ロボットの自律的な計画と安全な走行のために、地形セグメンテーションは重要な基盤となる。
従来の自然画像用の増強手法が火星画像に適さないことを分析し、新たな2つの増強手法「AugIN」と「SAM-Mix」を開発した。
低信頼領域の軟らかいpseudo-labelと高信頼領域の硬いpseudo-labelを組み合わせる「soft-to-hard一貫性学習」を導入した。