순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
Towards Robust Monocular Depth Estimation: Mixing Datasets for Zero-Shot Cross-Dataset Transfer
Rene Ranftl, Katrin Lasinger, David Hafner 외 · IEEE Transactions on Pattern Analysis and Machine Intelligence · 2020년 · 조회 3
왜 이 논문인가 — 선정 기준
RESEARCH PAPER · 후속 연구설계에 활용하기 좋은 논문 — 척도·모형·프레임워크류, 피인용 다수
2020-08 발표 · 피인용 3,238회 · FWCI 67.3 · 동년 인용 상위 1% · 참고문헌 66개
RESEARCH 슬롯은 3,238회 인용·상위 1% 인용률 등 높은 인용지표와 후속 연구에 활용 가능한 방법론을 제공한다는 점에서 선정되었다.
논문 요약
단일 눈 깊이 추정 모델의 일반화 능력을 향상시키기 위해 서로 다른 특성을 가진 여러 데이터셋을 동시에 학습하는 방법을 제안한다. 깊이 범위와 스케일에 무관한 손실 함수와 다목적 학습을 도입해, 호환되지 않는 라벨을 가진 데이터들을 혼합할 수 있다. 또한 인코더를 보조 과제로 사전학습하는 것이 성능에 크게 기여함을 확인하였다. 다섯 개 데이터셋(새로운 3D 영화 데이터 포함)으로 실험한 결과, 제로샷 교차‑데이터셋 전이에서 기존 방법보다 우수한 일반화성을 보여준다.
후속 연구설계에 활용하기
다중 데이터셋 혼합 학습 파이프라인과 스케일‑불변 손실을 변수·학습 목표로 삼아, 새로운 도메인에 대한 제로샷 깊이 추정 실험을 설계할 수 있다.
핵심어
단일 눈 깊이 추정데이터셋 혼합스케일 불변 손실제로샷 전이
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.