Panoptic Feature Pyramid Networks panoramic feature pyramid networks

최근 도입된 팬옵틱 세그멘테이션 작업은 우리 커뮤니티가 인스턴스 세그멘테이션(사물 클래스용)과 의미 세그멘테이션(배경 클래스용) 작업을 통합하는 데 대한 관심을 다시 불러일으켰습니다. 그러나 이 병합 작업에 대한 현재 최신 방법들은 인스턴스와 의미 세그멘테이션을 위해 각각 다른 네트워크를 사용하며, 공유 계산을 수행하지 않습니다. 본 연구에서는 이러한 방법들을 아키텍처 수준에서 통합하기 위해 두 작업 모두에 사용할 수 있는 단일 네트워크를 설계하는 것을 목표로 합니다. 우리의 접근 방식은 인기 있는 인스턴스 세그멘테이션 방법인 Mask R-CNN에 공유 피처 피라미드 네트워크(FPN) 백본을 사용하여 의미 세그멘테이션 분기를 부여하는 것입니다. 놀랍게도, 이 간단한 기준 모델은 인스턴스 세그멘테이션에 여전히 효과적이면서도, 의미 세그멘테이션에서도 경량화되고 성능이 우수한 방법을 제공합니다. 본 연구에서는 FPN으로 확장된 Mask R-CNN의 최소한의 확장 버전인 팬옵틱 FPN(Panoptic FPN)에 대해 상세한 연구를 수행하고, 이를 두 작업 모두에 대한 강력하고 정확한 기준 모델임을 보여줍니다. 그 효과성과 개념적 단순함 덕분에, 우리는 이 방법이 팬옵틱 세그멘테이션 분야의 향후 연구에 강력한 기준 모델로서 역할을 할 수 있기를 바랍니다.