초록
최근 의미 분할(Semantic Segmentation) 연구는 급속한 발전을 이루어왔지만, 많은 선도적인 방법들이 객체 인스턴스를 식별하는 데 어려움을 겪고 있습니다. 본 논문에서는 인스턴스 인식 의미 분할을 위한 다중 작업 네트워크 캐스케이드(Multi-task Network Cascades)를 제시합니다. 우리의 모델은 각각 인스턴스를 구분하고, 마스크를 추정하며, 객체를 범주화하는 세 개의 네트워크로 구성됩니다. 이들 네트워크는 캐스케이드 구조를 형성하며, 합성곱 특성을 공유하도록 설계되었습니다. 우리는 이 인과적이고 캐스케이드된 구조의 복잡한 엔드투엔드(End-to-End) 훈련 알고리즘을 개발하였습니다. 우리의 해결책은 깔끔한 단일 단계 훈련 프레임워크이며, 더 많은 단계를 가진 캐스케이드에도 일반화될 수 있습니다. 우리는 PASCAL VOC에서 최고 수준의 인스턴스 인식 의미 분할 정확도를 보여주며, VGG-16을 사용하여 이미지 테스트에 360밀리초가 소요되는데, 이는 이 도전적인 문제에 대한 이전 시스템보다 두 자릿수 더 빠릅니다. 부산물로서, 우리의 방법은 경쟁력 있는 Fast/Faster R-CNN 시스템들을 능가하는 강력한 객체 검출 결과도 달성하였습니다.본 논문에서 설명된 방법은 2015년 MS COCO 세그멘테이션 경쟁에 제출한 내용의 기반이 되었으며, 해당 경쟁에서 1위를 차지하였습니다.