장면 이미지가 클래스 간 차이가 미세하고 클래스 내 분류가 모호하여 인식률이 낮은 문제를 해결하기 위해, 본 논문에서는 새로운 형태의 의미 분할 프레임워크를 제안한다. 심층 측정 학습을 도입하여 픽셀 간 의미적 관계에 주목함으로써 모델 인식 정확도를 향상시켰다. 먼저, 공극 공간 피라미드 풀링 모듈을 통해 특징을 추출하고, 디코딩 과정에서 구조적으로 얕은 층의 고해상도 특징과 깊은 층의 저해상도 특징을 융합하여 이미지의 세부 사항과 경계를 더 잘 복원한다. 이후 심층 측정 학습 모듈에서는 잘 구조화된 픽셀 의미 임베딩 공간을 학습하며, 서로 다른 클래스 픽셀 간 유클리드 거리를 최대화하고 같은 클래스 픽셀 간 유클리드 거리를 최소화하여 픽셀 분류를 효과적으로 수행한다. 마지막으로 포컬 손실과 대비 손실의 가중 결합 융합 손실 함수를 사용하여 서로 다른 샘플 간 중요도를 균형 있게 조절함으로써 모델 성능을 보다 정확하게 평가하고 장면 인식의 정확도와 견고성을 향상시켰다. 실험 결과, 이 모델은 공개 데이터셋 ADE20K와 Cityscapes에서 각각 평균 교차 합집합 지수(mIoU) 47.6%와 83.1%를 기록하였다. 최신의 기준이 되는 장면 인식 방법과 비교한 결과, 본 논문의 제안 방식이 타당성과 선진성을 지님을 보여준다.

심층 학습; 심층 측정 학습; 의미 분할; 장면 인식; 클래스 불균형