비국소적 딥 특징을 활용한 주목할 만한 객체 탐지

선명도 탐지(Saliency detection)는 이미지 내에서 가장 관련성이 높은 객체를 강조하는 것을 목표로 한다. 기존의 전통적 모델을 활용한 방법은 선명한 객체가 복잡한 배경 위에 위치할 경우 성능이 저하되는 경향이 있으며, 딥 신경망은 과도한 복잡성과 느린 평가 속도 문제를 겪는다. 본 논문에서는 다중 해상도 4×5 격자 구조를 통해 국소적 정보와 전역적 정보를 통합하는 단순화된 합성곱 신경망(Convolutional Neural Network)을 제안한다. 일반적으로 사용되는 CRF 또는 슈퍼픽셀을 통한 공간 일관성 강제 대신, Mumford-Shah 기능에 영감을 받은 손실 함수를 도입하여 경계에서의 오차를 처벌한다. 제안한 모델은 MSRA-B 데이터셋으로 학습하고, 여섯 가지 다른 선명도 기준 데이터셋에서 테스트하였다. 실험 결과, 기존 최고 성능 기법과 비견되는 정확도를 달성하면서도 계산 시간을 18배에서 100배까지 감소시켜, 거의 실시간에 가까운 고성능 선명도 탐지를 가능하게 했다.