CRFNet: 의미 분할을 위한 맥락 정제 네트워크

초록 최근의 의미 분할 프레임워크는 일반적으로 성능 향상을 위해 저수준 및 고수준 맥락 정보를 결합합니다. 또한, 후처리 맥락 정보도 고려됩니다. 본 연구에서는 인코더-디코더 구조의 분할 모델의 의미 예측을 개선하기 위해 맥락 정제 네트워크(CRFNet)와 그 훈련 방법을 제시합니다. 우리의 연구는 레이블 맵의 공간적으로 이웃한 픽셀 간의 관계를 직접적으로 고려하는 후처리를 기반으로 합니다. CRFNet은 두 개의 모듈로 구성됩니다: 정제 모듈과 결합 모듈로, 각각 기존 의미 분할 네트워크 모델의 출력 특성에서 맥락 정보를 정제하고 정제된 특성을 분할 모델의 디코딩 과정에서 중간 특성과 결합하여 최종 출력을 생성합니다. CRFNet이 의미 예측을 더욱 정확하게 정제하도록 훈련하기 위해 우리는 순차적 훈련 방식을 제안했습니다. 다양한 백본 네트워크(ENet, ERFNet, HyperSeg)를 사용하여 우리는 세 가지 대규모 실제 데이터셋에서 우리의 모델을 광범위하게 평가하여 접근 방식의 효과를 입증했습니다.