Core Concepts
실시간 의미 분할을 위해 효율적인 병렬 추론 네트워크를 제안하였다. 이를 위해 다중 수준 특징 집계 모듈, 재귀적 정렬 모듈, 적응형 점수 융합 모듈을 설계하였다.
Abstract
이 논문은 실시간 의미 분할을 위한 병렬 추론 네트워크를 제안한다. 주요 내용은 다음과 같다:
다중 수준 특징 집계 모듈(MFAM): 인코더의 다중 수준 특징을 상향식 및 하향식 경로와 측면 연결을 통해 각 스케일에 집계한다. 이를 통해 상위 수준의 의미 정보와 하위 수준의 공간 정보를 모두 활용할 수 있다.
재귀적 정렬 모듈(RAM): 유동 기반 정렬 모듈과 재귀적 업샘플링 아키텍처를 결합하여 다중 스케일 특징 간 공간 정렬을 수행한다. 이는 직접적인 정렬 방식보다 더 정확하고 효율적이다.
적응형 점수 융합 모듈(ASFM): 다중 스케일 점수 맵을 픽셀 단위 주의 메커니즘을 통해 적응적으로 융합한다. 이를 통해 다양한 크기의 객체를 효과적으로 분할할 수 있다.
다중 스케일 공동 감독(MJS): 분할 예측과 경계 예측을 각 스케일에서 공동으로 감독하여 특징 표현을 향상시킨다.
제안한 방법은 Cityscapes와 CamVid 데이터셋에서 기존 실시간 방법들보다 우수한 성능-속도 균형을 보여준다.
Stats
제안한 방법은 Cityscapes 데이터셋에서 78.2%의 mIoU 정확도와 52.2 FPS의 추론 속도를 달성했다.
제안한 방법은 Cityscapes 데이터셋에서 기존 방법 대비 5.9%p 높은 정확도와 1.4배 빠른 추론 속도를 보였다.
Quotes
"실시간 의미 분할은 실제 응용 프로그램에 매우 중요한 연구 분야이다. 그러나 많은 방법들이 계산 복잡성과 모델 크기를 줄이는 데 특별한 강조점을 두고 있어, 정확도가 크게 희생되고 있다."
"우리는 속도와 정확도 간의 좋은 균형을 달성하기 위해 의미 분할 작업에 맞춤화된 병렬 추론 네트워크를 설계했다."