[논문 리뷰] Deep learning for image segmentation-a short survey

Zhenzhou Wang|arXiv (Cornell University)|2019. 04. 16.

Machine Learning and Data Classification인용 수 1

한 줄 요약

이 논문은 이미지 분할에서 딥러닝의 성능을 조사하며, 분류 정확도가 거의 100%에 가까운 데 비해 분할 정확도는 약 80%에 그친다는 격차를 드러낸다. 이 제한 요인은 딥러닝이 외부 분할 방법과 출력 해상도 제약에 의존하기 때문이며, 이미지 해상도를 극적으로 낮추지 않는 한 고정밀도 분할을 구현할 수 없다.

ABSTRACT

Deep learning works as a discrete non-linear mapping function and has achieved great success as a powerful classification tool. However, is deep learning omnipotent? This paper gives a short survey of the accuracy achieved by deep learning so far in image segmentation. Compared to the close to 100% classification accuracy achieved by deep learning, the image segmentation accuracy achieved by deep learning is only about 80%. We analyze the possible reasons why deep learning could not achieve acceptable accuracy in image segmentation and found that deep learning only generates a prediction map and relies on other segmentation methods to complete the segmentation task. In addition, the performance of deep learning is determined by the number of outputs. Consequently, deep learning could not achieve high segmentation accuracy unless the resolution of the image is extremely small.

연구 동기 및 목표

• 딥러닝이 분류 작업에 비해 이미지 분할 작업에서 상당히 낮은 정확도를 보이는 이유를 조사하는 것.
• 정밀한 분할 맵 생성에 있어 딥러닝 모델의 구조적 및 아키텍처적 제약을 분석하는 것.
• 최종 분할 출력을 위해 딥러닝이 외부 분할 기법에 얼마나 의존하는지 특정하는 것.
• 출력 유닛 수와 이미지 해상도가 분할 정확도에 미치는 영향을 평가하는 것.
• 딥러닝이 높은 분할 정확도를 달성할 수 있는 조건을 규명하는 것.

제안 방법

• 기존 문헌에서 보고된 정확도 지표를 사용하여 딥러닝의 이미지 분류와 분할 성능을 비교 분석한다.
• 딥러닝 모델이 생성하는 예측 맵의 역할과 후처리 또는 외부 분할 알고리즘에 대한 의존도를 검토한다.
• 특히 모델 복잡성과 공간 정밀도 사이의 상충 관계를 고려하여 출력 차원과 해상도가 분할 정확도에 미치는 영향을 분석한다.
• 딥러닝이 픽셀 수준 예측 작업에 적용될 때의 이론적 및 실용적 제약 조건을 평가한다.
• 공개된 벤치마크에서의 실증 결과를 활용하여 분류와 분할 성능 사이의 격차를 평가한다.

실험 결과

연구 질문

• RQ1 왜 딥러닝은 분류 작업에 비해 이미지 분할 작업에서 상당히 낮은 정확도를 보이는가?
• RQ2 외부 분할 방법에 대한 의존도가 딥러닝의 분할 작업 성능에 얼마나 큰 제약을 가하는가?
• RQ3 딥러닝 모델의 출력 유닛 수가 분할 정확도에 어떤 영향을 미치는가?
• RQ4 이미지 해상도는 딥러닝을 사용할 때 달성 가능한 분할 정확도에 어떤 역할을 하는가?
• RQ5 딥러닝이 높은 분할 정확도를 달성할 수 있는 조건는 무엇이며, 이러한 조건이 왜 제한적인가?

주요 결과

• 딥러닝은 이미지 분류 작업에서 거의 100%의 정확도를 달성하지만, 이미지 분할 작업에서는 약 80%의 정확도에 그친다.
• 분할 정확도가 낮은 주요 원인은 딥러닝 모델이 예측 맵만 생성하고, 작업을 완료하기 위해 추가적인 분할 기법이 필요하기 때문이다.
• 딥러닝의 성능은 출력 유닛 수에 의해 크게 제약을 받으며, 이는 고해상도 이미지를 효과적으로 처리할 수 있는 능력을 제한한다.
• 현재 딥러닝 모델의 계산 및 아키텍처적 제약로 인해 고정밀도 분할은 이미지 해상도가 매우 낮을 때에만 가능하다.
• 분류와 분할 성능 사이의 격차는 딥러닝이 픽셀 수준 예측 작업을 처리하는 방식에 근본적인 한계가 있음을 드러낸다.