에지 검출을 위한 경량 확장 합성곱 신경망 (Lightweight Dilated Convolutional Network for Edge Detection)

서지정보

· 발행기관 : 한국디지털콘텐츠학회
· 수록지 정보 : 디지털콘텐츠학회논문지 / 25권 / 2호 / 519 ~ 527페이지
· 저자명 : 이정문

초록

딥러닝 기반 에지 검출 방법들은 전통적인 방법에 비해 우수한 성능을 보이지만 보통 구조가 지나치게 복잡하며 과도한 연산 능력과 메모리 용량을 필요로 한다. 본 논문에서는 이를 개선하기 위해 파라미터 수가 아주 적은 네 종류의 합성곱 신경망 블록을 사용하여 유연하게 그 구조와 크기를 설정할 수 있는 경량 확장 합성곱 신경망을 제안하였다. 제안한 3단 신경망 기반의 에지 검출기를 BSDS500 데이터 셋을 사용하여 학습하고, F-지표의 관점에서 성능을 평가하였다. 결과적으로 파라미터 수가 기존 경량 신경망 기반 에지 검출기의 1/10 정도에 불과한 신경망을 사용하여 ODS와 OIS가 각각 0.771과 0.795인 같은 수준의 성능을 얻을 수 있었다. 또한 병렬 백본 구조를 사용한 경우에는 ODS와 OIS가 각각 0.802와 0.822로 향상되어, 가중치가 수십배나 많은 훨씬 복잡한 신경망을 사용한 에지 검출기와 대등한 성능을 보임을 확인하였다.

영어초록

Deep learning-based edge detection methods exhibit superior performance when compared to traditional methods; however, they typically require highly complex architectures, excessive computational power, and high memory capacity. In this paper, we propose a lightweight dilated convolutional network (LDCN) with flexible structure and size using four types of convolutional neural network blocks with a significantly small number of parameters. We trained the proposed three-stage neural network-based edge detector on the Berkeley Segmentation Data Set 500 and evaluated its performance in terms of the F-measure. Thus, we were able to achieve the same level of performance with optimal dataset scale (ODS) and optimal image scale (OIS) values of 0.771 and 0.795, respectively, using a neural network with approximately one-tenth the size of existing lightweight neural network-based edge detectors. Furthermore, with a parallel backbone structure, the ODS and OIS values were improved to 0.802 and 0.822, respectively, achieving superior performance equivalent to that of existing edge detectors that are based on significantly complex neural networks with tens of times more weights.

참고자료

· 없음