SPG: 의미 기반 포인트 생성을 통한 3D 객체 탐지의 비지도 도메인 적응

자율 주행 시스템에서 LiDAR 기반 객체 탐지기는 다양한 지리적 위치와 다양한 기상 조건 하에서도 안정적으로 작동해야 한다. 최근 3차원(3D) 탐지 연구는 주로 단일 도메인 내 성능 향상에 초점을 맞추고 있으나, 본 연구에서는 현대적인 탐지기의 성능이 도메인 간 전이 시 크게 저하됨을 밝혀냈다. 본 논문에서는 LiDAR 기반 3D 객체 탐지에 대한 비지도 도메인 적응(Unsupervised Domain Adaptation, UDA)을 탐구한다. Waymo Domain Adaptation 데이터셋을 대상으로 한 분석을 통해, 성능 저하의 근본 원인으로 점군(Point Cloud) 품질 저하를 확인하였다. 이를 해결하기 위해, 도메인 전이에 대한 탐지기의 신뢰성을 향상시키는 일반적인 방법인 의미적 점 생성(Semantic Point Generation, SPG)을 제안한다. 구체적으로 SPG는 예측된 전경 영역에 의미적 점을 생성하고, 음영, 낮은 반사율 또는 기상 요인 등으로 인해 손실된 전경 객체의 부분을 정확히 복원한다. 원본 점군과 생성된 의미적 점을 병합함으로써 증강된 점군을 생성할 수 있으며, 이는 현대적인 LiDAR 기반 탐지기들이 직접 활용할 수 있다. SPG의 광범위한 적용 가능성을 검증하기 위해 PointPillars와 PV-RCNN 두 가지 대표적인 탐지기를 대상으로 실험을 수행하였다. UDA 작업에서 SPG는 모든 관심 객체 카테고리 및 모든 난이도 수준에서 두 탐지기의 성능을 크게 향상시켰다. 또한 SPG는 원래 도메인 내 객체 탐지에도 긍정적인 영향을 미친다. Waymo Open Dataset 및 KITTI 데이터셋에서, SPG는 두 방법의 3D 탐지 성능을 모든 카테고리에서 개선하였다. PV-RCNN와 결합할 경우, SPG는 KITTI에서 최신 기술 수준(SOTA)의 3D 탐지 성능을 달성하였다.