차별적 특징 네트워크를 활용한 의미 분할 학습

대부분의 기존 의미 분할 방법들은 여전히 두 가지 측면에서의 문제, 즉 클래스 내 불일치(class intra-inconsistency)와 클래스 간 구분 어려움(class inter-indistinction)에 직면해 있습니다. 이러한 두 가지 문제를 해결하기 위해, 우리는 차별적 특성 네트워크(Discriminative Feature Network, DFN)를 제안합니다. 이 네트워크는 두 개의 하위 네트워크, 즉 스무딩 네트워크(Smooth Network)와 경계 네트워크(Border Network)로 구성됩니다. 특히, 클래스 내 불일치 문제를 해결하기 위해 채널 주목 블록(Channel Attention Block)과 전역 평균 풀링(global average pooling)을 사용하여 더 차별적인 특성을 선택하는 스무딩 네트워크를 설계했습니다. 또한, 깊은 의미 경계 감독(deep semantic boundary supervision)을 통해 경계 양측의 특성이 구분될 수 있도록 경계 네트워크를 제안합니다. 우리의 제안된 DFN을 기반으로, PASCAL VOC 2012 데이터셋에서 86.2%의 평균 IOU(mean IOU)와 Cityscapes 데이터셋에서 80.3%의 평균 IOU를 달성하여 최신 기술(state-of-the-art performance)을 보여주었습니다.