PIDNet: PID 제어기에서 영감을 받은 실시간 세분화 네트워크

이중 분기 네트워크 아키텍처는 실시간 세그멘테이션 작업에서 효율성과 효과성을 입증해 왔다. 그러나 고해상도 세부 정보와 저주파 맥락 정보를 직접 융합할 경우, 세부 특징이 주변 맥락 정보에 의해 쉽게 지배되는 단점이 존재한다. 이러한 과도 반응(overshoot) 현상은 기존 이중 분기 모델의 세그멘테이션 정확도 향상에 한계를 초래한다. 본 논문에서는 컨볼루션 신경망(Convolutional Neural Networks, CNN)과 비례-적분-미분(Proportional-Integral-Derivative, PID) 제어기 간의 연결성을 제안하며, 이중 분기 네트워크가 본질적으로 과도 반응 문제를 겪는 비례-적분(Proportional-Integral, PI) 제어기와 동일하다는 점을 밝혀낸다. 이러한 문제를 완화하기 위해, 세부 정보, 맥락 정보, 경계 정보를 각각 분석하는 세 가지 분기로 구성된 새로운 삼중 분기 네트워크 아키텍처인 PIDNet을 제안한다. 이 모델은 경계 주의(attention) 메커니즘을 활용해 세부 정보 분기와 맥락 정보 분기 간의 융합을 안내한다. 제안한 PIDNet 계열은 추론 속도와 정확도 사이에서 최적의 균형을 달성하며, Cityscapes 및 CamVid 데이터셋에서 유사한 추론 속도를 갖는 기존 모든 모델보다 높은 정확도를 기록한다. 특히 PIDNet-S는 Cityscapes에서 93.2 FPS의 추론 속도로 78.6%의 mIOU를 달성하였으며, CamVid에서는 153.7 FPS의 속도로 80.1%의 mIOU를 달성하였다.