백층 티라미수: 의미 분할을 위한 완전 컨볼루션 밀집 네트워크

최신의 의미 이미지 분할 접근법은 합성곱 신경망(CNNs)을 기반으로 구축됩니다. 일반적인 분할 아키텍처는 (a) 대략적인 의미 특징을 추출하는 다운샘플링 경로와 (b) 모델의 출력에서 입력 이미지 해상도를 복원하도록 훈련된 업샘플링 경로로 구성되며, 선택적으로 (c) 모델 예측을 정교화하기 위한 후처리 모듈(예: 조건부 랜덤 필드)이 포함될 수 있습니다. 최근, 새로운 CNN 아키텍처인 밀집 연결 합성곱 신경망(DenseNets)이 이미지 분류 작업에서 우수한 결과를 보여주었습니다. DenseNets의 아이디어는 각 층이 피드포워드 방식으로 다른 모든 층과 직접 연결되면 네트워크가 더 정확하고 훈련하기 쉬워진다는 관찰에 기반합니다. 본 논문에서는 DenseNets를 의미 분할 문제에 적용하여 확장하였습니다. CamVid 및 Gatech와 같은 도시 장면 벤치마크 데이터셋에서 추가적인 후처리 모듈이나 사전 훈련 없이 최신 수준의 결과를 달성하였습니다. 또한, 모델의 현명한 구조 덕분에 이 데이터셋들에 대한 현재까지 발표된 최고 성능 방법론보다 훨씬 적은 매개변수를 가지고 있습니다. 실험을 재현하기 위한 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/SimJeg/FC-DenseNet/blob/master/train.py