Segmentation Performance Improvement via Low-Information-Loss Network Design
연구 내용
풀링을 제거하고 분기형 합성곱을 적용하여 정보 손실을 줄이면서 분할 성능을 향상시키는 구조 설계 연구
이미지 분할에서는 다운샘플링으로 인한 정보 손실이 경계 정확도와 세부 영역 인식에 영향을 줄 수 있습니다. 본 연구는 이러한 원인을 고려하여 풀링을 사용하지 않는 합성곱 신경망 구성을 적용합니다. 또한 서로 다른 스케일의 특징을 동시에 학습할 수 있도록 다양한 크기의 필터를 가진 합성곱 층을 분기 구조로 연결합니다. 이 설계는 입력의 미세한 외관 변화에 대한 표현력을 높이는 방향으로 작동하며, 딸기 과육처럼 상태가 다양하고 경계가 불명확한 대상에서 분할 결과의 일관성을 개선하는 데 목적이 있습니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 딸기 선별에서 임계치 방식의 자동화 한계와 함께, 이미지 분할이 품질 판단의 객관성을 높일 수 있음을 검토했습니다. 이후 분할 성능을 좌우하는 구조적 요인으로 다운샘플링 및 정보 손실 문제를 설정하고, 풀링을 제거하는 방향의 네트워크 설계를 중심으로 연구를 진행했습니다. 2023년에는 다중 스케일 특징을 반영하기 위한 분기형 합성곱 구조를 적용하여 학습 안정성과 분할 정밀도를 확인했으며, 정보 보존 관점의 구조 설계 원리를 정리하는 흐름으로 이어졌습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Strawberry Flesh Segmentation Using Branch Convolutional Neural Networks without Pooling