DSNet: 의미 분할에서 아트루스 컨볼루션을 활용하는 새로운 방법

다공성 컨볼루션은 의미 분할 작업에서 수용 영역을 확장하는 방법으로 사용됩니다. 그러나 이전의 의미 분할 연구에서는 모델의 얕은 층에서 거의 사용되지 않았습니다. 본 논문에서는 현대적인 컨볼루셔널 신경망(CNN)에서 다공성 컨볼루션 설계를 재검토하고, 큰 커널을 사용하여 다공성 컨볼루션을 적용하는 개념이 더 강력한 패러다임일 수 있음을 보여줍니다. 우리는 다공성 컨볼루션을 더 효율적으로 적용하기 위한 세 가지 가이드라인을 제안합니다. 이러한 가이드라인에 따라, 우리는 DSNet이라는 이중 브랜치 CNN 구조를 제안하는데, 이는 모델 구조의 얕은 층에 다공성 컨볼루션을 통합하며, ImageNet에서 거의 전체 인코더를 사전 학습하여 성능을 개선합니다. 우리의 접근 방식의 효과성을 입증하기 위해, 제안된 모델들은 ADE20K, Cityscapes 및 BDD 데이터셋에서 정확도와 속도 간의 새로운 최고 수준의 균형을 달성하였습니다. 특히, DSNet은 ADE20K에서 추론 속도 179.2 FPS로 40.0% mIOU를, Cityscapes에서는 속도 81.9 FPS로 80.4% mIOU를 달성하였습니다. 소스 코드와 모델은 Github(https://github.com/takaniwa/DSNet)에서 제공됩니다.