DeepLabv3+ 모델에서 이미지 객체 경계 분할의 부정확성과 서로 다른 클래스 객체 분할의 일관성 문제를 해결하기 위해 클래스 특성 주의 메커니즘 융합 기반의 시맨틱 분할 알고리즘을 제안한다. 이 알고리즘은 DeepLabv3+ 모델의 인코더 부분에 클래스 간 관련성을 강화하는 클래스 특성 주의 모듈을 설계하여 다양한 클래스의 시맨틱 정보를 보다 잘 추출하고 처리한다. 이후 다단계 병렬 공간 피라미드 풀링 구조를 사용하여 공간 간 상관관계를 강화하고 이미지의 다양한 스케일 컨텍스트 정보를 효과적으로 추출한다. 마지막으로 디코더에서는 채널 주의 모듈을 활용해 다층 융합 특징을 재보정하고 중복 정보를 억제하며 두드러진 특징을 강화하여 네트워크의 표현 능력을 향상시킨다. Pascal Voc2012 및 Cityscapes 데이터셋에서 개선된 모델의 유효성과 일반성 실험을 수행했으며, 평균 교차-합집합 비율은 각각 81.34%와 76.27%에 달해 이미지 경계 분할이 더욱 정교해지고 클래스가 더 명확해져 본 연구의 비교 알고리즘을 현저히 능가했다.

멀티스케일 특징 융합;클래스 특징;주의 메커니즘;시맨틱 분할;DeepLabv3+