잎 세그멘테이션은 고 throughput 식물 형질 분석 및 복잡한 형질에 대한 정량적 연구에서 가장 직접적이고 효과적인 방법이다. 현재 식물 형질 분석의 주요 목표는 자율적 형질 측정의 정확도를 높이는 것이다. 본 연구에서는 각 잎 영역을 명확히 구분하고 잎의 수를 세는 데 초점을 맞춘 새로운 엔드투엔드 모델인 LeafMask 신경망을 제안한다. 이 모델은 두 가지 주요 구성 요소로 구성된다. 첫째, 비최대 억제(Non-Maximum Suppression, NMS) 후 예측 박스의 위치 민감한 기저 정보와 해당 계수를 융합하여 원시 마스크를 생성하는 마스크 조립 모듈이다. 둘째, 점 선택 전략과 예측기(point selection strategy and predictor)를 활용하여 마스크 조립 모듈에서 출력된 마스크로부터 잎의 경계를 세밀하게 보정하는 마스크 정제 모듈이다. 또한, 이중 주의 기반 마스크(Dual Attention-guided Mask, DAG-Mask) 브랜치를 위해 새로 설계한 유연하고 다중 해상도의 주의 모듈을 도입하여 정보 표현력을 효과적으로 향상시키고 더 정확한 기저 정보를 생성한다. 본 연구의 주요 기여는 앵커리스 인스턴스 세그멘테이션 프레임워크 하에서 마스크 조립 모듈과 마스크 정제 모듈을 결합하여 최종 개선된 마스크를 생성하는 점이다. 제안된 LeafMask 모델은 Leaf Segmentation Challenge(LSC) 데이터셋을 대상으로 실시한 광범위한 실험을 통해 검증되었으며, 기존 최첨단 기법들을 능가하는 90.09%의 최고Dice 점수를 기록하였다.