초록
우리는 의미 분할을 위한 깊은 합성곱 네트워크에 전역 컨텍스트를 추가하는 기술을 제시합니다. 이 접근 방식은 간단하며, 레이어의 평균 특성을 각 위치의 특성에 추가하여 사용합니다. 또한, 우리는 훈련 과정에서 여러 고유한 특성을 연구하여 베이스라인 네트워크(예: FCN)의 성능을 크게 향상시킵니다. 우리가 제안한 전역 특성을 추가하고 정규화 매개변수를 학습하는 기술을 적용하면, 베이스라인의 개선된 버전에서도 일관되게 정확도가 증가합니다. 우리 제안 방법인 ParseNet은 베이스라인보다 약간 더 많은 계산 비용으로 SiftFlow와 PASCAL-Context에서 최고 수준의 성능을 달성하며, PASCAL VOC 2012 의미 분할에서도 단순한 접근 방식으로 현재 최고 수준에 가까운 성능을 보입니다. 코드는 https://github.com/weiliu89/caffe/tree/fcn 에서 확인할 수 있습니다.