SE-SSD: 포인트 클라우드에서의 자기 앙상블 단일 스테이지 객체 검출기

우리는 실외 포인트 클라우드에서 정확하고 효율적인 3D 객체 검출을 위해 Self-Ensembling Single-Stage Object Detector (SE-SSD)를 제시합니다. 본 연구의 핵심은 추론 과정에 추가적인 계산을 도입하지 않고, 소프트 타겟과 하드 타겟을 모두 활용하여 모델을 공동 최적화하는 데 있습니다. 구체적으로, SE-SSD는 교사와 학생 SSD 쌍을 포함하며, 여기서 우리는 효과적인 IoU(Intersection over Union)-기반 매칭 전략을 설계하여 교사로부터 소프트 타겟을 필터링하고, 학생 예측 결과와 이들을 일치시키는 일관성 손실(consistency loss)를 정식화하였습니다. 또한, 교사를 앙상블하기 위한 지식의 최대화를 위해, 학생을 훈련시키기 위한 형태 인지 증강 샘플(shape-aware augmented samples)을 생성하는 새로운 증강 방안(augmentation scheme)을 설계하였습니다. 이는 학생이 완전한 객체 형태를 추론하도록 유도하는 것을 목표로 합니다. 마지막으로, 하드 타겟을 더 잘 활용하기 위해, 예측된 박스 중심과 방향에 대한 제약 조건(constraints)으로 학생을 감독(supervise)하기 위한 ODIoU(Orientation and Distance IoU) 손실(loss)를 설계하였습니다. 우리의 SE-SSD는 모든 기존 연구보다 우수한 성능을 보여주며, KITTI 벤치마크에서 자동차 검출 정밀도에서도 최고 수준의 성능(BEV 및 3D 리더보드에서 각각 1위와 2위)을 달성하였으며, 초고속 추론 속도를 자랑합니다. 코드는 https://github.com/Vegeta2020/SE-SSD에서 제공됩니다.