역방향 특징 피라미드 네트워크를 갖춘 순환 주의 잔차 모듈을 통한 그림자 탐지

이 논문은 깊이 있는 합성곱 신경망(Convolutional Neural Network, CNN)의 깊은 층에서의 전역적 맥락과 얕은 층에서의 국소적 맥락을 탐색하고 융합함으로써 그림자 감지를 위한 네트워크를 제안한다. 본 연구의 네트워크 설계에는 두 가지 기술적 기여가 있다. 첫째, 인접한 두 CNN 층의 맥락을 결합하고, 잔차를 선택하기 위한 주의 맵(attention map)을 학습하는 순환 주의 잔차(Recurrent Attention Residual, RAR) 모듈을 제안한다. 이를 통해 맥락 특징을 보다 정교하게 개선할 수 있다. 둘째, 다양한 CNN 층에 걸쳐 분포된 그림자 맥락을 효과적으로 통합하기 위해 양방향 특징 피라미드 네트워크(Bidirectional Feature Pyramid Network, BFPN)를 개발하였다. 이 네트워크는 두 개의 RAR 모듈 시리즈를 배치하여 맥락 특징을 반복적으로 결합하고 개선한다. 하나의 시리즈는 깊은 층에서 얕은 층으로, 다른 하나는 얕은 층에서 깊은 층으로 맥락 특징을 개선한다. 이러한 구조를 통해 잘못된 감지(false detection)를 효과적으로 억제하면서 동시에 그림자의 세부 정보를 강화할 수 있다. 제안한 네트워크는 일반적인 그림자 감지 벤치마크 데이터셋인 SBU와 UCF에서 평가되었다. 실험 결과, 기존 최고 성능의 방법 대비 SBU에서 평형 오차율(Balanced Error Rate)을 34.88% 감소시키고, UCF에서는 34.57% 감소시켜 우수한 성능을 입증하였다.