차량 감지용 조류 시점 LiDAR 포인트 클라우드 데이터의 도메인 적응

3D LiDAR 센서에서 얻은 포인트 클라우드 데이터는 자율주행 차량과 같은 다양한 안전 임계치 응용 프로그램에 있어 가장 중요한 센서 모달리티 중 하나입니다. 포인트 클라우드 데이터의 주석화가 비용이 많이 들고 시간이 오래 걸리는 과정이기 때문에, 최근 시뮬레이션 환경과 3D LiDAR 센서를 활용하여 이 작업을 수행하는 것이 인기를 얻기 시작했습니다. 시뮬레이션 센서와 환경을 사용함으로써 주석화된 합성 포인트 클라우드 데이터를 획득하는 과정이 훨씬 용이해졌습니다. 그러나 생성된 합성 포인트 클라우드 데이터는 실제 3D LiDAR 센서에서 얻은 포인트 클라우드 데이터에 존재하는 아티팩트(artefacts)가 여전히 부족합니다. 결과적으로, 합성 환경과 실제 환경 사이의 도메인 간 차이(domain shift)로 인해, 합성 포인트 클라우드 데이터로 훈련된 모델들이 실제 포인트 클라우드 데이터에서 검출 작업을 수행할 때 성능이 저하됩니다. 따라서 본 연구에서는 합성 포인트 클라우드 데이터와 실제 포인트 클라우드 데이터 사이의 이러한 간극을 메꾸기 위한 도메인 적응 프레임워크를 제안합니다. 제안한 프레임워크는 깊은 사이클 일관적 생성적 대립 신경망(CycleGAN) 구조를 기반으로 합니다. 우리는 제안한 프레임워크의 성능을 실제 3D LiDAR 센서에서 얻은 상공도(bird's eye view, BEV) 포인트 클라우드 이미지로부터 차량 검출 작업에서 평가했습니다. 실험 결과, 제안한 프레임워크는 다른 베이스라인 접근법보다 실제 BEV 포인트 클라우드 이미지에서 평균 정밀도 점수가 7% 이상 개선되는 경쟁력 있는 결과를 보였습니다.