위치 인식형 업샘플링을 통한 세분화 분류

최근 다양한 성공적인 학습 목표, 예를 들어 Dice 손실과 교차 엔트로피 손실 최소화 등이 세그멘테이션 작업에서 예전에는 상상할 수 없었던 돌파구를 만들어냈다. 이러한 의미적 지표를 넘어서, 본 논문은 의미적 세그멘테이션에 위치 감시(location supervision)를 도입하고자 한다. 이 아이디어를 바탕으로, 학습 가능한 오프셋을 사용해 보간 좌표를 적응적으로 보정하는 위치 인식 보간(Location-aware Upsampling, LaU)을 제안한다. 이후, 각 픽셀이 잘 분류된 위치로 이동하도록 유도하는 위치 인식 손실을 정의한다. LaU는 오프셋 예측과 보간을 결합한 모듈로, 거시적에서 미시적 단계로 나아가 각 위치에서 신뢰도 점수를 생성하도록 엔드 투 엔드로 훈련된다. 위치 인식 손실에 의해 안내되는 이 새로운 모듈은 플러그 앤 플레이 방식으로 기존의 단순 보간 방식(예: 이중선형 보간)을 대체할 수 있으며, 최첨단 인코더-디코더 아키텍처의 성능을 더욱 향상시킬 수 있다. 다양한 실험을 통해 기준 데이터셋에서 최신 기법들에 비해 일관된 성능 향상이 확인되었다. 본 연구의 코드는 https://github.com/HolmesShuan/Location-aware-Upsampling-for-Semantic-Segmentation 에서 공개되어 있다.