SqueezeSegV2: 개선된 모델 구조와 비지도 도메인 적응을 이용한 LiDAR 포인트 클라우드에서의 도로 객체 분할

이전 연구에서는 점군 분할을 위한 딥러닝 기반 접근 방식의 잠재력을 보여주었지만, 이러한 접근 방식은 실제 사용을 위해 개선되어야 합니다. 이를 위해 LiDAR 점군에서 드롭아웃 노이즈에 더 강건한 새로운 모델인 SqueezeSegV2를 소개합니다. 개선된 모델 구조, 학습 손실, 배치 정규화 및 추가 입력 채널을 통해 SqueezeSegV2는 실제 데이터로 학습할 때 상당한 정확도 향상을 이룹니다.점군 분할 모델을 학습시키기 위해서는 많은 양의 라벨링된 점군 데이터가 필요하지만, 이는 획득하기 비용이 많이 들습니다. 수집과 주석 작업의 비용을 피하기 위해 GTA-V와 같은 시뮬레이터를 사용하여 무제한으로 라벨링된 합성 데이터를 생성할 수 있습니다. 그러나 도메인 시프트 때문에 합성 데이터로 학습된 모델은 종종 실제 세계에 잘 일반화되지 않습니다. 우리는 이 문제를 해결하기 위해 세 가지 주요 구성 요소로 이루어진 도메인 적응 학습 파이프라인을 제안합니다: 1) 학습된 강도 렌더링(learned intensity rendering), 2) 지오데식 상관관계 맞춤(geodesic correlation alignment), 3) 단계적 도메인 교정(progressive domain calibration).실제 데이터로 학습시킬 때 우리의 새로운 모델은 원래 SqueezeSeg보다 6.0-8.6%의 분할 정확도 향상을 보입니다. 제안된 도메인 적응 파이프라인을 사용하여 합성 데이터로 새로운 모델을 학습시킬 때, 실제 세계 데이터에서의 테스트 정확도가 거의 두 배로 증가하여 29.0%에서 57.4%로 향상됩니다. 우리의 소스 코드와 합성 데이터셋은 오픈 소스로 공개될 예정입니다.