불확실성 합성곱 특징을 활용한 정확한 주요성 검출

깊은 합성곱 신경망(CNNs)은 많은 컴퓨터 비전 작업에서 우수한 성능을 보여주었습니다. 본 논문에서는 정확한 주요 객체 검출을 위한 새로운 깊은 완전 합성곱 네트워크 모델을 제안합니다. 이 연구의 핵심 기여는 깊은 불확실성 합성곱 특징(UCF, Uncertain Convolutional Features)을 학습하는 것으로, 이를 통해 주요성 검출의 견고성과 정확성을 향상시킵니다. 우리는 특정 합성곱 계층 이후에 재구성된 드롭아웃(R-dropout)을 도입하여 내부 특징 유닛들의 불확실한 앙상블을 구성함으로써 이를 달성합니다. 또한, 디코더 네트워크에서 디컨볼루션 연산자의 체스판 아티팩트를 줄이기 위한 효과적인 하이브리드 업샘플링 방법을 제안합니다. 제안된 방법들은 다른 깊은 합성곱 네트워크에도 적용될 수 있습니다. 기존의 주요성 검출 방법들과 비교할 때, 제안된 UCF 모델은 더 정확한 객체 경계 추론을 위해 불확실성을 통합할 수 있습니다. 광범위한 실험 결과, 우리의 주요성 모델이 최신 접근 방식들에 대해 우수한 성능을 보임을 입증하였습니다. 불확실성 특징 학습 메커니즘 및 업샘플링 방법은 다른 픽셀 단위 비전 작업에서도 성능을 크게 향상시키는 것으로 나타났습니다.