시퀀셜 엔셈블링을 통한 세그멘테이션

딥러닝 기반 의미 분할에 대한 앙상블 접근법은 경쟁적인 벤치마크와 하류 응용 프로그램의 급증에도 불구하고 여전히 충분히 탐색되지 않았다. 본 연구에서는 테스트 시점에 독립적으로 훈련된 여러 최첨단 모델의 예측을 결합하는 대표적인 앙상블 방법을 다양한 주요 데이터셋에서 탐색하고 벤치마킹한다. 더불어, 부스팅(Boosting)에 영감을 받은 새로운 방법을 제안하여 단순한 앙상블 기준보다 훨씬 뛰어난 성능을 달성한다. 제안하는 방법은 이전 모델이 예측한 클래스 확률을 추가 입력으로 하여 연속적으로 모델의 캐스케이드를 훈련한다. 본 방법의 주요 장점은 동적 계산 오프로딩(dynamic computation offloading)을 가능하게 한다는 점으로, 이는 모바일 장치에 모델을 배포하는 데 유리하다. 또한, 이전 단계의 확률을 활용해 다양한 레이어에서 공간적 특징을 조절할 수 있는 새로운 ADaptive modulatiON (ADON) 블록을 제안한다. 본 방법은 훈련 과정에서 복잡한 샘플 선택 전략을 요구하지 않으며, 다양한 신경망 아키텍처와 호환된다. Cityscapes, ADE-20K, COCO-Stuff, PASCAL-Context와 같은 도전적인 데이터셋에서 단순 앙상블 기준보다 크게 성능을 향상시키며, 새로운 최고 성능(SOTA) 기록을 수립하였다.