초록
본 논문은 리소스 제약 하에서 의미 분할을 위한 극히 효율적인 CNN 구조인 DFANet을 소개합니다. 제안된 네트워크는 단일 경량 백본에서 시작하여, 서브네트워크와 서브스테이지 캐스케이드를 통해 차별화된 특징들을 집계합니다. 다중 스케일 특징 전파 기반으로, DFANet은 매개변수의 수를 크게 줄이면서도 충분한 수용 범위를 확보하고 모델 학습 능력을 향상시키며, 이로써 속도와 분할 성능 사이의 균형을 이루고 있습니다. Cityscapes 및 CamVid 데이터셋에 대한 실험 결과, DFANet은 기존 최신 실시간 의미 분할 방법보다 8배 적은 FLOPs(8$\times$)와 2배 빠른 속도(2$\times$)로 유사한 정확성을 제공하는 것으로 나타났습니다. 특히, 하나의 NVIDIA Titan X 카드에서 1.7 GFLOPs와 160 FPS의 속도로 Cityscapes 테스트 데이터셋에서 70.3%의 평균 IOU를 달성하였으며, 고해상도 이미지를 추론할 때 3.4 GFLOPs로 71.3%의 평균 IOU를 얻었습니다.