피부 영역 분할은 이미지에서 사람의 피부 영역을 분할하는 것을 말한다. 피부 영역 분할은 얼굴 검출, 손의 동작 인식, 생세 신호 추출 분야 등에 있어서 주로 사용되는 전처리 기법 중의 하나이다. 피부 영역 분할의 성능은 응용 분야의 성능에 직접적으로 영향을 주기 때문에 정확한 피부 영역 분할의 방법에 대해 여러 방면으로 연구되어 왔다. 여러 피부 영역 분할의 방법들 중 가장 흔히 쓰이는 방법은 임계치 기반의 방법이다. 임계치 기반의 방법은 사람의 제한된 피부색의 범위를 이용하여 피부 영역 분할을 하는 방법이다. 하지만 색 정보에 의존한 방법이기 때문에 조명 조건의 변화나 인종과 같은 개인차로 인해 성능이 크게 변화하게 되어 정밀한 피부 영역 분할을 할 수 없다. 최근에는 임계치 기반의 방법과 같은 전통적인 방법이 아닌 학습 기반의 방법이 활발히 연구되고 있다. 학습 기반의 방법은 기계학습이나 심층학습의 방법을 이용하는 것으로 전통적인 방법에 비해 높은 성능을 보여주었다. 하지만 이러한 방법들 또한 임계치 기반의 방법과 같이 모델이 색 정보에 크게 의존하며 성능은 뛰어나지만 높은 연산량을 필요로 하기 때문에 전처리에 주로 사용되는 피부 영역 분할의 특성을 고려했다고 보기에 어렵다. 따라서 본 연구에서는 이러한 문제점을 해결하면서 높은 성능을 가지는 피부 영역 분할 모델을 연구한다. 제안하는 모델은 이미지 분할 문제에 적합하도록 지역적인 정보와 전역적인 정보를 함께 처리할 수 있어 이미지 분할에서 높은 성능을 가짐과 동시에 낮은 연산량을 요구하도록 설계하였다. 또한 경계 성분과 같은 모델이 확신하기 어려운 영역에 추가적인 정보를 제공하는 기법을 적용하여 오류를 줄이고자 하였고, 손실 함수에도 경계 성분만을 이용하여 계산하는 부분을 추가하여 경계를 예리하게 분할할 수 있도록 하였다. 추가적으로 데이터 증강기법을 통해 이미지의 hue, saturation, value가 변형된 이미지를 모델의 학습에 이용해 기존의 제안되었던 모델들에 비해 색 정보에 대한 의존성을 낮추면서 질감이나 문맥적인 정보를 모델이 더 잘 학습할 수 있도록 하였다. 최종적으로 제안하는 모델은 1.09million(M)개의 파라미터와 5.04giga(G) multiply-accumulate(MAC)s의 연산량을 요구한다. 모델의 성능은 Precision 0.9543, Recall 0.9472, F-score 0.9492의 높은 성능을 가지고 이미지의 변형에도 일정한 성능을 보임을 실험에서 증명한다. 본 연구에서 제안하는 모델은 NVIDIA RTX 2080Ti GPU (11GB VRAM) 그래픽 카드 상에서 3 x 512 x 512 이미지 기준 약 68frame per second의 빠른 처리 속도를 가지며, 조명 조건의 변화가 빈번한 자동차 환경 및 실제 사용 환경이나 성능이 제한적인 모바일이나 임베디드 기기 환경에서의 원격 광용적맥파 측정 또는 손의 동작 인식, 얼굴 검출 분야 등에서 활용될 수 있을 것이라 기대된다.