초록
우리는 VGG 16층 네트워크에서 채택된 컨볼루션 계층 위에 디컨볼루션 네트워크를 학습하여 새로운 의미 분할 알고리즘을 제안합니다. 이 디컨볼루션 네트워크는 디컨볼루션 계층과 언폴링 계층으로 구성되어 있으며, 픽셀 단위의 클래스 레이블을 식별하고 분할 마스크를 예측합니다. 우리는 훈련된 네트워크를 입력 이미지의 각 제안(proposal)에 적용하고, 모든 제안의 결과를 간단한 방식으로 결합하여 최종적인 의미 분할 맵을 구축합니다. 제안된 알고리즘은 완전 컨볼루션 네트워크 기반의 기존 방법들의 한계를 깊은 디컨볼루션 네트워크와 제안 단위 예측(proposal-wise prediction)을 통합함으로써 완화합니다. 우리의 분할 방법은 일반적으로 세부 구조를 식별하고 여러 스케일의 객체를 자연스럽게 처리합니다. 우리의 네트워크는 PASCAL VOC 2012 데이터셋에서 뛰어난 성능을 보여주며, 외부 데이터 없이 훈련된 방법들 중 가장 높은 정확도(72.5%)를 달성하였습니다.