컨텍스트 대비 특징 및 게이트형 다중 스케일 집약을 이용한 장면 세그멘테이션

장면 분할은 이미지 내 모든 픽셀에 레이블을 부여해야 하는 도전적인 작업이다. 보다 우수한 분할 성능을 달성하기 위해 구분력 있는 맥락 정보를 효과적으로 활용하고 다중 스케일 특징을 통합하는 것이 핵심이다. 본 논문에서는 먼저, 정보성 있는 맥락을 활용하는 동시에 맥락과 대비되는 국부 정보에 주목하는 새로운 유형의 맥락 대비 국부 특징을 제안한다. 제안된 맥락 대비 국부 특징은 특히 눈에 띄지 않는 객체와 배경 물체에 대해 분할 성능을 크게 향상시킨다. 또한 각 공간 위치에 대해 다중 스케일 특징을 선택적으로 통합하기 위한 게이트드 합(gated sum) 기법을 제안한다. 이 기법에서 게이트는 다양한 스케일 특징의 정보 흐름을 제어하며, 학습 데이터로부터 학습된 네트워크를 통해 테스트 이미지로부터 게이트 값이 생성된다. 이로 인해 게이트 값은 학습 데이터뿐 아니라 특정 테스트 이미지에 대해 적응 가능한 특성을 갖는다. 복잡한 기법 없이도 제안된 방법은 파스칼 컨텍스트(Pascal Context), SUN-RGBD, COCO Stuff 세 가지 대표적인 장면 분할 데이터셋에서 일관되게 최첨단 성능을 달성한다.