공현 특성(Co-Occurrent Features)을 활용한 의미 분할

최근 연구들은 의미 분할에서 전역적 문맥 정보를 활용하는 데 큰 성공을 거두었으며, 이는 수용 영역을 확대하고 피라미드 특징 표현을 통합하는 방식으로 이루어졌다. 본 논문에서는 전역적 문맥을 넘어서, 주어진 타겟에 대해 공존 특징(co-occurrent features)의 분포를 예측하는 공존 특징 모델(Co-occurrent Feature Model)을 도입함으로써 세밀한 표현을 탐색한다. 공존 특징 내의 의미적 문맥을 효과적으로 활용하기 위해, 공존 특징의 확률과 공존 문맥을 통합하여 집적된 공존 특징(AGGREGATED CO-OCCURRENT FEATURE, ACF) 모듈을 구축한다. ACF 모듈은 장면 전반에 걸쳐 공존 문맥 정보를 포착할 수 있는 세밀한 공간 불변 표현을 학습한다. 제안하는 방법은 FCN 기반 아키텍처를 사용할 때 분할 성능을 크게 향상시키며, Pascal Context에서는 54.0%의 mIoU, Pascal VOC 2012에서는 87.2%의 mIoU, ADE20K 데이터셋에서는 44.89%의 mIoU를 달성하여 우수한 성능을 보였다. 소스 코드 및 완전한 시스템은 논문 게재와 함께 공개될 예정이다.