In this paper, we address the problem of semantic image segmentation. The difficulties of training a network interrupt to increase the depth and volume. We address this limitation by augmenting feature from different pre-trained network and improve the performance by incorporating additional information into a semantic segmentation framework. We show that fully-convolutional-network with our feature augmentation technique produces competitive results with state-of-art method in terms of segmentation accuracy but get the upper hand over preserving object boundaries. We believe that straight-forward extension of the proposed approach can be also applied for other recognition task.
이 논문에서는, 우리는 의미적 영상분할의 문제점을 해결하고자 한다. 단순한 인식문제뿐만 아니라 영상분할에서 사용하는 딥 네트워크에서 뎁스와 볼륨을 늘려 성능을 향상시키고자 하는 방법은 학습의 어려움 때문에 종종 제한받는다. 우리는 이러한 한계를 특징 증대 방법을 통해서 해결함으로써 기존의 영상분할 알고리즘의 성능향상을 이끌어 낸다. 의미적 영상 분할 문제를 fully convolutional network를 사용해서 해결했던 알고리즘에 이것을 적용시킴으로써 우리는 최신식의 알고리즘과 경쟁할 만한 성능을 낼 수 있다. 또한 제안하는 방법은 기존의 방법에 비해 물체의 경계영역에서 더 정확한 성능을 보인다. 이러한 접근방식은 의미적 영상분할에만 국한되지 않고 나아가 딥 네트워크를 사용하는 다른 분류 문제에도 사용될 수 있다.