FTNet: 열 이미지 세분화를 위한 특징 횡방향 네트워크

열 이미징은 적외선 복사 및 열 에너지를 이용하여 물체에 대한 정보를 수집하는 과정이다. 이는 야간 작동이 가능하고 조도 변화에 강한 점에서 가시광선 이미징보다 우수하다. 또한 연기, 에어로졸, 먼지, 안개 등이 가시광선 이미징에 있어 중요한 방해 요인인 상황에서도 이를 관통할 가능성이 있다. 그러나 현재 최첨단 이미지 의미 분할 기법은 (i) 주로 가시광선 스펙트럼 이미지에 초점을 맞추고 있어, 특히 열 이미지의 경계 세부 정보를 포함한 해당 픽셀의 맥락을 충분히 포착하지 못하며, (ii) 정확도와 속도 사이에 상충 관계를 수용해야 하는 문제가 있다. 본 연구에서는 이러한 문제를 해결하기 위해 새로운 엔드투엔드 학습 가능한 합성곱 신경망 아키텍처인 특징 횡방향 네트워크(Feature Transverse Network, FTNet)를 제안한다. FTNet은 다중 해상도에서 특징 표현을 캡처하고 최적화함으로써 고해상도 이미지 처리 능력을 향상시키고, 낮은 계산 비용으로도 고품질의 출력을 생성할 수 있다. 제안된 FTNet의 효과를 입증하기 위해 SODA, MFNet, SCUT-Seg 등 공개된 기준 열 이미지 데이터셋을 대상으로 광범위한 컴퓨터 실험을 수행하였다. 이 비교는 다양한 접근 방식의 정량적 정확도와 속도를 포함한 다각적인 측면에서 이루어졌다. 관련 소스 코드는 https://github.com/shreyaskamathkm/FTNet 에서 공개되어 있다.