모바일-시드: 모바일 로봇을 위한 공동 의미 분할 및 경계 검출

정확하고 빠른 경계 선별과 강건한 의미론적 해석은 로봇 그립 및 조작, 실시간 의미론적 맵핑, 엣지 컴퓨팅 유닛에서 수행되는 온라인 센서 교정 등 다양한 하류 로봇 작업에 필수적입니다. 경계 검출과 의미론적 분할은 보완적인 작업이지만, 대부분의 연구는 가벼운 모델에 초점을 맞추고 있으며 경계 검출의 중요한 역할을 간과하고 있습니다. 본 연구에서는 동시에 의미론적 분할과 경계 검출을 수행하도록 설계된 가벼운 이중 작업 프레임워크인 Mobile-Seed를 소개합니다. 우리의 프레임워크는 두 개의 스트림 인코더, 활성 융합 디코더(AFD), 그리고 이중 작업 정규화 접근법을 특징으로 합니다. 인코더는 두 가지 경로로 나뉩니다: 하나는 범주 인식 의미론적 정보를 포착하며, 다른 하나는 다중 스케일 특징에서 경계를 구분합니다. AFD 모듈은 채널별 관계를 학습하여 의미론적 정보와 경계 정보의 융합을 동적으로 적응시키며, 각 채널에 대한 정확한 가중치 할당을 가능하게 합니다. 또한, 우리는 이중 작업 학습과 깊은 다양성 감독 사이의 충돌을 완화하기 위해 정규화 손실을 도입하였습니다.기존 방법들과 비교하여 제안된 Mobile-Seed는 가벼운 프레임워크를 제공하여 simultaneously meaning segmentation 성능을 향상시키고 객체 경계를 정확히 위치시킵니다. Cityscapes 데이터셋에서 수행된 실험 결과, Mobile-Seed는 최신 기술(SOTA) 베이스라인보다 mIoU에서 2.2 백분율 포인트(pp), mF-score에서 4.2 pp 향상을 보였으며, RTX 2080 Ti GPU에서 1024x2048 해상도 입력으로 온라인 추론 속도가 23.9 프레임-퍼-초(FPS)를 유지했습니다. CamVid와 PASCAL Context 데이터셋에서 추가 실험 결과도 우리의 방법의 일반화 능력을 확인해주었습니다. 코드와 추가 결과들은 https://whu-usi3dv.github.io/Mobile-Seed/ 에 공개되어 있습니다.注：在“simultaneously meaning segmentation”部分，原文可能是“simultaneous semantic segmentation”的笔误，因此在韩文翻译中进行了修正。