DCNAS: 의미 이미지 분할을 위한 밀집 연결 신경망 아키텍처 탐색

신경망 아키텍처 탐색(Neural Architecture Search, NAS)은 밀도 높은 이미지 예측을 위한 확장 가능한 네트워크 아키텍처를 자동으로 설계하는 데 있어 큰 잠재력을 보여주고 있다. 그러나 기존의 NAS 알고리즘은 계산 자원의 제약을 고려하여 제한된 탐색 공간을 사용하거나 대체 작업(proxy task)을 기반으로 탐색하는 경향이 있다. 이를 해결하기 위해, 타겟 데이터셋에 직접 기반하여 다중 스케일 시각 정보 표현을 위한 최적의 네트워크 구조를 탐색할 수 있도록, Densely Connected NAS(DCNAS) 프레임워크를 제안한다. 구체적으로, 셀 간에 학습 가능한 가중치를 사용하여 밀집 연결 구조를 도입함으로써, 다양한 주류 네트워크 설계를 포괄하는 밀집 연결 탐색 공간을 구성한다. 또한 경로 수준과 채널 수준의 샘플링 전략을 융합한 모듈을 설계하여, 방대한 탐색 공간으로 인한 메모리 소비를 효과적으로 줄였다. 제안한 DCNAS 알고리즘을 통해 얻은 아키텍처는 공개된 세그멘테이션 벤치마크에서 최고 수준의 성능을 달성하였으며, Cityscapes에서는 84.3%, PASCAL VOC 2012에서는 86.9%의 정확도를 기록하였다. 더 도전적인 ADE20K 및 Pascal Context 데이터셋에서도 여전히 최상의 성능을 유지함으로써, 제안 방법의 강력한 일반화 능력을 입증하였다.