명료한 에지 검출을 위한 컨볼루션 특징의 언믹싱

이 논문은 깊이 있는 엣지 검출기(Deep Edge Detectors)를 활용한 날카로운 엣지 검출을 위한 맥락 인식 추적 전략(Context-Aware Tracing Strategy, CATS)을 제안한다. 이 전략은 깊이 있는 엣지 검출기의 위치 불확실성의 주요 원인이 컨볼루션 신경망(Convolutional Neural Networks)의 혼합 현상에 있음을 관찰함에 기반한다. 구체적으로는 엣지 분류 과정에서의 특징 혼합(feature mixing)과 측면 예측을 융합할 때 발생하는 측면 혼합(side mixing)이 주요 원인이다. CATS는 두 가지 모듈로 구성된다. 첫 번째는 경계를 추적함으로써 특징을 분리하는 새로운 추적 손실(Tracing Loss)로, 측면 엣지 학습을 향상시키는 데 기여한다. 두 번째는 학습된 측면 엣지의 보완적인 장점을 통합함으로써 측면 혼합 문제를 해결하는 맥락 인식 융합 블록(Context-Aware Fusion Block)이다. 실험 결과, 제안한 CATS는 현대적인 깊이 있는 엣지 검출기에 쉽게 통합되어 위치 정확도를 향상시킬 수 있음을 입증하였다. 기존의 VGG16 백본을 사용했을 때, BSDS500 데이터셋 기준으로, 형태학적 비최대 억제(morphological non-maximal suppression) 기법을 사용하지 않고 평가한 결과, RCF와 BDCN 엣지 검출기의 F-측정값(ODS)이 각각 12%, 6% 향상되었다.