CASENet: 깊은 범주 인식 기반 의미 있는 경계선 검출

경계선과 윤곽선 쿠이는 시맨틱 세그멘테이션, 객체 인식, 스테레오 비전, 객체 제안 생성 등 다양한 시각 작업의 성능 향상에 매우 유용합니다. 최근에는 딥 러닝을 활용하여 경계선 검출 문제에 대한 연구가 재조명되어 상당한 진전이 이루어졌습니다. 고전적인 경계선 검출은 자체적으로도 어려운 이진 문제이지만, 카테고리 인지 시맨틱 경계선 검출은 본질적으로 더 어려운 다중 레이블 문제입니다. 우리는 각 경계 픽셀이 두 개 이상의 시맨틱 클래스에 속하는 윤곽선이나 접점에서 여러 클래스와 연관될 수 있도록 문제를 모델링하였습니다. 이를 위해 ResNet 기반의 새로운 엔드투엔드 딥 시맨틱 경계선 학습 아키텍처와 상위 컨볼루션 계층에서의 카테고리별 경계 활성화가 하위 계층의 동일한 특징 집합을 공유하고 융합하는 새로운 스킵-레이어 아키텍처를 제안합니다. 그런 다음, 융합된 활성화를 감독하기 위한 다중 레이블 손실 함수를 제안합니다. 실험 결과, 제안된 아키텍처는 이 문제에서 더 우수한 성능을 보여주며, SBD 및 Cityscapes와 같은 표준 데이터셋에서 현재 최신의 시맨틱 경계선 검출 방법들을 크게 능가하는 것으로 확인되었습니다.