초록
신경망에서 정보가 전파되는 방식은 매우 중요합니다. 본 논문에서는 제안 기반 인스턴스 분할 프레임워크에서 정보 흐름을 강화하기 위해 경로 집계 네트워크(Path Aggregation Network, PANet)를 제안합니다. 구체적으로, 하향식 경로 증강(bottom-up path augmentation)을 통해 하위 레이어의 정확한 위치 신호를 전체 특징 계층에 강화하여, 하위 레이어와 최상위 특징 사이의 정보 경로를 단축시킵니다. 또한 적응형 특징 풀링(adaptive feature pooling)을 소개하는데, 이는 특징 그리드와 모든 특징 레벨을 연결하여 각 특징 레벨의 유용한 정보가 후속 제안 서브네트워크로 직접 전달되도록 합니다. 보완적인 분기(complementary branch)를 생성하여 각 제안에 대한 다양한 시각을 포착하여 마스크 예측(mask prediction)을 더욱 개선합니다. 이러한 개선 사항은 구현이 간단하며, 미세한 추가 계산 부하만을 필요로 합니다. 우리의 PANet은 대량 배치 학습 없이 COCO 2017 챌린지 인스턴스 분할 작업에서 1위를 차지하였으며, 객체 검출 작업에서는 2위를 차지하였습니다. 또한 MVD와 Cityscapes에서도 최고 수준의 성능을 보여주고 있습니다. 코드는 https://github.com/ShuLiu1993/PANet에서 제공됩니다.