[Boostcamp Day-52] FCN의 한계를 극복한 model 2

DeepLab v2

• 성능 향상을 위해 더 깊은 ResNet-101 구조 사용
• 64 channel과 256 channel을 맞춰주기 위해 다음과 같이 구성

• Conv3 부터 down sampling을 수행하기위해 stride=2를 지정하고 채널을 맞추기 위해 다음과 같이 1x1 Conv를 추가한다.

• Conv4, Conv5에서는 down sampling을 수행하지 않고 dilated convolution을 사용

• ASPP를 적용하여 다양한 크기의 receptive field를 고려

PSPNet

PSPNet은 1x1, 2x2, 3x3, 6x6 출력의 Average Pooling을 적용하였다.

• Global Average Pooling : 주변 정보를 파악해서 객체를 예측하는데 사용

• Convolution vs Average Pooling

DeepLab v3

DeepLab v3+

• Encoder - Decoder 구조 : Encoder에서 spatial dimension의 축소로 인해 손실된 정보를 Decoder에서 점진적으로 복원

• Encoder
  • 수정된 Xception을 backbone으로 사용
  • Atrous separable convolution을 적용한 ASPP 사용
  • Backbone 내 low-level featrue와 ASPP 모듈 출력을 모두 decoder에 전달
• Decoder
  • ASPP 모듈의 출력을 up-sampling하여 low-level feature와 결합
  • 결합된 정보는 convolution 연산 및 up-sampling 되어 최종 결과 도출
  • 기존의 단순한 up-sampling 연산을 개선시켜 detail을 유지하도록 함
• Xception
  • Xception구조는 Depthwie Separable Convolution(Depthwise Convolution+Pointwise Convolution)을 사용
  • Depthwise Convolution : 각 채널마다 다른 filter를 사용하여 convolution 연산 후 결합
  • Pointwise Convolution : 1x1 Convolution

• Modified Xception Backbone