SNE-RoadSeg: 정면 정보를 의미 분할에 통합하여 정확한 자유공간 탐지 수행

자율주행 차량의 시각 인지에서 공간 탐지(freespace detection)는 핵심적인 구성 요소이다. 최근 데이터 융합형 컨볼루션 신경망(CNN)에 대한 연구 노력이 활발히 진행되면서, 의미론적 주행 환경 분할 성능이 크게 향상되었다. 공간 탐지는 지면 평면으로 가정할 수 있으며, 해당 평면 상의 점들은 유사한 표면 법선(normal)을 가진다. 따라서 본 논문에서는 밀도 높은 깊이 또는 디스패리티 이미지로부터 높은 정확도와 효율성으로 표면 법선 정보를 추정할 수 있는 새로운 모듈인 표면 법선 추정기(Surface Normal Estimator, SNE)를 제안한다. 더불어, RGB 이미지와 추정된 표면 법선 정보로부터 특징을 추출하고 융합할 수 있는 데이터 융합형 CNN 아키텍처인 RoadSeg를 제안한다. 본 연구를 위해 다양한 조명 및 날씨 조건에서 수집된 대규모 합성 공간 탐지 데이터셋인 Ready-to-Drive(R2D) 도로 데이터셋을 공개한다. 실험 결과, 제안한 SNE 모듈이 모든 최신 CNN 기반 공간 탐지 모델에 긍정적인 영향을 미치며, SNE-RoadSeg는 다양한 데이터셋에서 최고의 전반적인 성능을 달성함을 입증하였다.