도시 경관과 같은 복잡한 장면을 효율적으로 분할 분석하기 위해 본 논문에서는 고해상도 네트워크(HRNet)를 결합하고, 피라미드 풀링 모듈(Pyramid pooling module, PPM)을 통해 전역 컨텍스트 정보를 보완하여 고해상도 장면 분석 네트워크를 제안한다. 우선, HRNet을 백본 특징 추출 네트워크로 사용하고, 많은 잔여 모듈에 공극 분리 합성곱을 적용하여 파라미터 수를 줄이면서 다중 스케일 객체 분할 능력을 향상시켰다. 둘째, 혼합 공극 합성곱 프레임워크를 이용해 다단계 공극률을 설계하여 밀집 수용 영역을 유지하면서 그리드 문제의 영향을 줄였다. 다음으로, HRNetV2의 단순 후 융합 메커니즘을 개선하기 위해 다단계 연속 업샘플링 구조를 설계하였다. 마지막으로, 개선된 이미지 해상도 적응형 피라미드 풀링 모듈을 사용해 다양한 영역의 컨텍스트 정보를 집계하여 고품질 분할 지도를 획득하였다. 시티스케이프(CityScapes) 데이터셋에서 16.4 Mbit의 파라미터 수로 83.3% MIOU 정확도를 달성하였고, Camvid 데이터셋에서도 우수한 성능을 보였으며, 신뢰성 있고 정확하며 계산량이 적은 의미 기반 분할 장면 분석 방법을 실현하였다.

딥러닝;신경망;의미 분할;고해상도 네트워크;공극 합성곱