아미렛: 다중 수준의 컨볼루션 특징을 집계하여 주요 객체 검출 수행

완전 컨볼루션 신경망(FCN, Fully Convolutional Neural Networks)은 많은 밀집 라벨링 문제에서 뛰어난 성능을 보여주었습니다. 이러한 성공의 핵심 요소 중 하나는 컨볼루션 계층의 특징에서 관련 정보를 추출하는 것입니다. 그러나, 주요 객체 검출을 위한 다단계 컨볼루션 특징 맵의 더 나은 집합 방법에 대해서는 아직 충분히 연구되지 않았습니다. 본 연구에서는 주요 객체 검출을 위한 일반적인 다단계 컨볼루션 특징 집합 프레임워크인 Amulet을 제시합니다. 우리의 프레임워크는 먼저 다단계 특징 맵을 여러 해상도로 통합하여, 거친 의미론과 세부 정보를 동시에 포함시킵니다. 그런 다음 각 해상도에서 이러한 특징 맵들을 적응적으로 결합하고, 결합된 특징으로부터 주목성 맵(saliency map)을 예측합니다. 마지막으로, 예측된 결과들이 효율적으로 융합되어 최종 주목성 맵이 생성됩니다. 또한, 정확한 경계 추론과 의미론 강화를 위해 저해상도 특징의 예측 결과와 저수준 계층의 엣지 인식 특징 맵(edge-aware feature map)이 학습 프레임워크에 재귀적으로 임베딩됩니다. 이와 같이 효율적이고 유연한 방식으로 다단계 컨볼루션 특징을 집합함으로써, 제안된 주목성 모델은 정확한 주요 객체 라벨링을 제공합니다. 포괄적인 실험 결과는 우리의 방법이 거의 모든 비교 평가 지표에서 기존 최신 접근법들보다 우수한 성능을 보임을 입증하였습니다.