InverseForm: 구조화된 경계 인지 세그멘테이션을 위한 손실 함수

우리는 추정된 경계와 목표 경계 사이의 매개변수 변환 정도를 효율적으로 학습할 수 있는 역변환 네트워크를 활용하여, 세분할을 위한 새로운 경계 인식 손실 항목을 제안한다. 이 플러그인 형 손실 항목은 교차 엔트로피 손실이 경계 변환을 포착하는 데 보완되며, 백본 모델의 크기와 계산 복잡도를 증가시키지 않으면서도 일관되고 현저한 성능 향상을 가능하게 한다. 우리는 Cityscapes, NYU-Depth-v2, PASCAL을 포함한 세 가지 실내 및 실외 세분할 벤치마크에서 제안한 손실 함수의 정량적 및 정성적 효과를 분석하였으며, 단일 작업 및 다중 작업 설정에서 여러 백본 네트워크의 학습 단계에 이를 통합하였다. 광범위한 실험 결과는 제안된 방법이 기존 베이스라인을 일관되게 능가하며, 두 데이터셋에서는 새로운 최고 성능(SOTA)을 달성함을 보여준다.