초록
세マン틱 인스턴스 분할은 여전히 어려운 과제입니다. 본 연구에서는 픽셀 수준에서 작동하며, 컨볼루션 네트워크가 이미지를 간단한 후처리 단계로 인스턴스로 쉽게 클러스터링할 수 있는 표현을 생성하도록 유도하는 차별적 손실 함수를 제안합니다. 이 손실 함수는 네트워크가 각 픽셀을 피처 공간의 점으로 매핑하도록 격려하여, 같은 인스턴스에 속한 픽셀들이 서로 가까이 위치하고 다른 인스턴스들은 넓은 마진으로 구분되도록 합니다. 메트릭 학습 목표에서 영감을 받은 원칙적인 손실 함수와 사전 제작된 네트워크를 결합한 우리의 접근 방식은 개념적으로 간단하면서도 최근의 인스턴스 분할 연구들과 명확히 구분됩니다. 기존 연구들과 달리, 우리의 방법은 객체 제안(object proposals)이나 순환 메커니즘(recurrent mechanisms)에 의존하지 않습니다. 본 연구의 주요 공헌 중 하나는 이러한 복잡한 요소 없이도 간단한 설정이 효과적이며, 더 복잡한 방법과 비슷한 성능을 낼 수 있다는 것을 입증하는 것입니다. 또한, 인기 있는 객체 검출 및 분할(detect-and-segment) 접근 방식의 일부 한계를 극복할 수 있음을 보여줍니다. 우리는 Cityscapes와 CVPPP 잎 분할 벤치마크에서 경쟁력 있는 성능을 달성하였습니다.