도로 환경에서의 세분화를 위한 DenseASPP

자율 주행에서의 스트리트 장면 이해를 위한 기본적인 과제인 의미적 이미지 세그멘테이션은 고해상도 이미지 내 각 픽셀을 일련의 의미적 레이블로 분류하는 작업이다. 다른 시나리오와 달리 자율 주행 환경에서는 객체의 크기가 매우 큰 범위로 변화하므로, 다중 스케일 정보를 정확히 인코딩해야 하는 고수준 특징 표현 측면에서 큰 도전 과제가 있다. 이러한 문제를 해결하기 위해, 공간 해상도를 희생하지 않으면서 더 큰 수용 영역을 갖는 특징을 생성하기 위해 어트러스 컨볼루션(atrious convolution)이 도입되었다. 어트러스 컨볼루션을 기반으로, 서로 다른 dilation 비율을 사용해 여러 개의 어트러스 컨볼루션 특징을 연결하는 아트러스 공간 피라미드 풀링(ASPP, Atrous Spatial Pyramid Pooling)이 제안되었다. 비록 ASPP가 다중 스케일 특징을 생성할 수 있지만, 자율 주행 환경에서는 스케일 축 방향의 특징 해상도가 충분히 밀도 있게 제공되지 못한다는 점을 지적한다. 이를 해결하기 위해, 다수의 어트러스 컨볼루션 계층을 밀집 연결(dense connection) 방식으로 구성하는 밀집 연결 어트러스 공간 피라미드 풀링(DenseASPP)을 제안한다. 이 방법은 모델 크기를 크게 증가시키지 않으면서도 더 넓은 스케일 범위를 포함하고, 그 범위를 더욱 밀집된 방식으로 표현하는 다중 스케일 특징을 생성할 수 있다. 제안된 DenseASPP는 스트리트 장면 벤치마크인 Cityscapes 데이터셋에서 평가되었으며, 기존 최고 성능을 넘어서는 결과를 달성하였다.