AdapNet: Adaptive Semantic Segmentation in Adverse Environmental Conditions

basenetwork에 ResNet+deconvolution을 조합한 심플한 네트워크 ResNetUpconv를 사용하고 있다. FCN과 같은 정도의 정밀도가 나오고 파라미터가 적어서 빨랐던 것 같다.

신규성

Multiscale Blocks (MS)

보통 ResNet 에서 사용되고 있는 Residual Block.

*보통의 3x3 Conv를 거듭해 가면 소실 구배라고 하는 문제가 나오므로, 입력을 더하는 것으로 회피
*1x1 Conv(Channel수를 작게 한다)->3x3 Conv->1x1 Conv(출력하고 싶은 Channel수로 한다) => 계산량이 작아진다



복수의 size(Global과 local)의 특징량을 학습하기 위해, channel을 반으로 나누어 별도의 Dilated(atrous) Conv로 컨볼루션, 결합한다.

Front Convolution (FC)

ResNet에서는 stride2의 Conv와 2x2Max Pooling에서 이미지 사이즈가 1/4이 되어 버린다.
High Resolution의 특징을 잃어버리는 건가요? ! 그래서 그 전에 3x3 Conv를 하나 끼워 보았다고합니다.

convoluted mixture of deep experts (CMoDE)

아직 이해할 수 없기 때문에, 향후 update 합니다.
아는 사람이라면 설명해 주시면 기쁩니다.

결론

· ResNet에 Upconv를 한 단순한 네트워크가 base
· Residual Block을 여러 크기로 학습 할 수 있도록 고안
・3x3 conv를 최초로 덧붙였다
· CmoDE라는 기술을 사용하고 있습니다.

다음은 SOTA의 AdaptNet++를 조사하자!

참고문헌

AdapNet: Adaptive Semantic Segmentation in Adverse Environmental Conditions
h tp ///아이 s. 인후 ㎉ 마을 k. 우니 - f 레이브 rg. 에 / 뿌 b ぃ カチオン s / ぱぺ rs / ゔ ぁ 17이 등. pdf