초록
우리는 선명도 맵의 불확실 영역을 고려한 불확실성 증강 컨텍스트 주의 네트워크(Uncertainty Augmented Context Attention Network, UACANet)를 제안한다. 이 네트워크는 U-Net 구조를 개선한 모델로, 추가적인 인코더와 디코더를 포함하며, 각 하향식 스트림 예측 모듈에서 선명도 맵을 계산하고 다음 예측 모듈로 전파한다. 각 예측 모듈에서는 이전에 예측된 선명도 맵을 활용하여 전경, 배경 및 불확실 영역 맵을 생성하고, 각 표현에 대해 세 가지 영역 맵과 특징 맵을 통합한다. 이후 각 표현과 특징 맵 내 각 픽셀 간의 관계를 계산한다. 제안한 방법은 Kvasir, CVC-ClinicDB, ETIS, CVC-ColonDB, CVC-300 등 다섯 가지 대표적인 폴립 세그멘테이션 벤치마크에서 실험을 수행하였으며, 최신 기술 대비 뛰어난 성능을 달성하였다. 특히 ETIS 데이터셋에서 평균 Dice 스코어가 76.6%를 기록하여 기존 최고 성능 방법 대비 13.8% 향상된 결과를 보였다. 소스 코드는 공개되어 있으며, 다음 링크에서 확인 가능하다: https://github.com/plemeri/UACANet