RefineNet: 고해상도 의미 분할을 위한 다중 경로 정제 네트워크

최근, 매우 깊은 컨볼루션 신경망(CNNs)이 객체 인식에서 뛰어난 성능을 보여주었으며, 의미 분할과 같은 밀집 분류 문제의 첫 번째 선택이 되었습니다. 그러나 딥 CNNs에서 풀링이나 컨볼루션 스트라이딩과 같은 반복적인 샘플링 감소 연산은 초기 이미지 해상도에 큰 손실을 초래합니다. 이에 본 연구에서는 다운샘플링 과정에서 얻을 수 있는 모든 정보를 명시적으로 활용하여 고해상도 예측을 가능하게 하는 장거리 잔차 연결을 사용하는 일반적인 다중 경로 정제 네트워크인 RefineNet을 제안합니다. 이를 통해 고수준의 의미 특성을 포착하는 더 깊은 계층이 초기 컨볼루션에서 얻은 세부 특성으로 직접 개선될 수 있습니다. RefineNet의 개별 구성 요소는 항등 매핑 사고방식에 따른 잔차 연결을 사용하여 효과적인 엔드투엔드 학습을 가능하게 합니다. 또한, 우리는 효율적인 방식으로 풍부한 배경 맥락을 포착하는 체인 잔차 풀링(chained residual pooling)을 도입하였습니다. 우리는 포괄적인 실험을 수행하였으며, 일곱 개의 공개 데이터셋에서 새로운 최고 수준의 결과를 달성하였습니다. 특히, 어려운 PASCAL VOC 2012 데이터셋에서 83.4의 교차 영역 비율(intersection-over-union) 점수를 기록하였는데, 이는 현재까지 보고된 최고 성적입니다.