의미론적 분할은 딥러닝의 큰 성공으로 활발히 연구됐다. 이 작업을 위한 다양한 네트워크 구조가 지난 몇 년 동안 소개되었으며 현재의 최첨단 방법은 실제 응용 프로그램에 적용할 수 있을 만큼 상당한 발전을 보여준다. 그러나 대부분의 이전 방법은 심층 네트워크 구조를 통해 인코딩된 특징 맵의 공간 해상도 제한으로 인해 작은 객체를 분할 하지 못하는 경우가 많다. 본 논문에서는 의미론적 분할 성능을 위한 간단하면서도 효과적인 방법을 제안한다. 제안된 방법의 핵심 아이디어는 잠재 공간에서 원래 특징과 해당 잔차의 합과 같은 간단한 작업을 통해 작은 객체의 경계를 효율적으로 강조한다. 이는 네트워크 매개변수를 작은 개체의 특징에 집중하도록 안내하는 데 매우 바람직하다. 또한, 비지도 도메인 적응 기반의 의미론적 분할 네트워크에도 이 방법을 적용할 것을 제안합니다. 다양한 벤치마크 실험 결과는 제안하는 방법이 다양한 네트워크 구조와 과제에서 의미론적 분할 성능을 성공적으로 향상시키는 것을 보여준다.