전역 문맥 인식 진보적 집계 네트워크를 이용한 주요 객체 검출

깊은 합성곱 신경망(Deep Convolutional Neural Networks, DCNN)은 주요 객체 검출(Salient Object Detection)에서 경쟁력 있는 성능을 달성하였으며, 효과적이고 포괄적인 특징을 학습하는 방법이 중요한 역할을 합니다. 이전의 대부분 연구는 여러 수준의 특징 통합에 주로 초점을 맞추었지만, 서로 다른 특징 간의 차이를 무시하였습니다. 또한, 상위-하위 경로(Top-Down Pathway)를 통해 전달되는 고수준 특징(High-Level Features)의 희석 과정도 존재합니다. 이러한 문제들을 해결하기 위해, 우리는 저수준 외관 특징(Low-Level Appearance Features), 고수준 의미론적 특징(High-Level Semantic Features), 그리고 전역 컨텍스트 특징(Global Context Features)을 단계적으로 컨텍스트 인식된 특징 결합 모듈(Feature Interweaved Aggregation, FIA)을 통해 효과적으로 통합하고 감독 방식으로 주요도 맵(Saliency Map)을 생성하는 새로운 네트워크인 GCPANet을 제안합니다. 또한, 공간적 및 채널별 주의 메커니즘(Spatial and Channel-Wise Attention)을 활용하여 정보 중복성을 줄이고 상위 계층 특징(Top Layers Features)을 강화하기 위해 헤드 주의 모듈(Head Attention, HA)을 사용하며, 입력 특징(Input Features)을 더욱 정교하게 개선하고 강화하기 위해 자기 정제 모듈(Self Refinement, SR)을 활용합니다. 더불어, 우리는 다양한 단계에서 전역 컨텍스트 정보(Global Context Information)를 생성하여 서로 다른 주요 영역들 사이의 관계를 학습하고 고수준 특징들의 희석 효과를 완화시키기 위한 전역 컨텍스트 플로우 모듈(Global Context Flow, GCF)을 설계하였습니다. 여섯 개 벤치마크 데이터셋에 대한 실험 결과는 제안된 접근법이 양적 및 질적으로 기존 최신 방법들(State-of-the-Art Methods)보다 우수한 성능을 보임을 입증하였습니다.