GMNet: 자연 환경에서 대규모 파트 의미 분할을 위한 그래프 매칭 네트워크

야외 환경에서 객체의 부분에 대한 의미적 세그멘테이션은 장면 내에서 객체의 여러 인스턴스와 각 객체 내부의 여러 부분을 동시에 탐지해야 하는 도전적인 과제이다. 이 문제는 세부적인 객체 이해를 위한 기초적인 중요성을 지니고 있음에도 불구하고, 현재까지 여전히 거의 탐색되지 않은 상태이다. 본 연구에서는 객체 수준의 고차원적 맥락 조건화와 부분 수준의 공간적 관계를 결합한 새로운 프레임워크를 제안한다. 객체 수준의 모호성을 해결하기 위해, 부분 수준의 의미를 학습할 때 클래스 수준의 의미 정보를 유지할 수 있도록 클래스 조건화 모듈을 도입하였다. 이를 통해 디코딩 단계 이전까지 중간 수준의 특징 벡터도 이러한 정보를 포함하게 된다. 또한 부분 수준의 모호성과 정확한 위치 추정 문제를 해결하기 위해, 진짜 부분과 예측된 부분 간의 상대적 공간적 관계를 매칭하는 것을 목표로 하는 새로운 인접 그래프 기반 모듈을 제안한다. Pascal-Part 데이터셋에 대한 실험 평가 결과, 본 연구는 이 과제에서 최고 수준의 성능을 달성하였다.