효율적인 에지 탐지 위한 픽셀 차이 네트워크

최근에 깊은 합성곱 신경망(Convolutional Neural Networks, CNN)은 풍부하고 추상적인 에지 표현 능력을 통해 에지 탐지에서 인간 수준의 성능을 달성할 수 있게 되었다. 그러나 CNN 기반 에지 탐지의 높은 성능은 대규모 사전 학습된 CNN 백본을 필요로 하며, 이는 메모리와 에너지 소모 측면에서 비효율적이다. 더불어, 기존의 전통적 에지 탐지기(예: Canny, Sobel, LBP 등)에서 도출된 통찰이 급속도로 발전하는 딥러닝 시대에 거의 다뤄지지 않았다는 점은 놀라운 일이다. 이러한 문제를 해결하기 위해, 우리는 효율적인 에지 탐지를 위한 간단하고 경량화되면서도 효과적인 아키텍처인 픽셀 차이 네트워크(Pixel Difference Network, PiDiNet)를 제안한다. BSDS500, NYUD, Multicue 데이터셋에서 실시한 광범위한 실험을 통해 PiDiNet의 효과성과 높은 학습 및 추론 효율성을 입증하였다. 놀랍게도, BSDS500과 VOC 데이터셋에서만 초기 학습을 수행할 경우 PiDiNet는 100 FPS의 속도와 100만 개 미만의 파라미터로 BSDS500 데이터셋에서 인간 인지 성능 기록(ODS F-measure 기준 0.807 대 0.803)을 초과하는 성능을 달성할 수 있다. 파라미터 수가 0.1M 미만인 더 빠른 버전의 PiDiNet는 200 FPS의 속도로 최신 기술 수준의 성능을 비교 가능한 수준에서 달성한다. NYUD 및 Multicue 데이터셋에서의 실험 결과 역시 유사한 경향을 보였다. 관련 코드는 https://github.com/zhuoinoulu/pidinet 에서 공개되어 있다.