UDA-COPE: 카테고리 수준 객체 포즈 추정을 위한 감독되지 않은 도메인 적응

물체 자세 추정을 학습하는 데는 종종 CAD 모델과 절대 스케일 물체 자세와 같은 정답(ground-truth, GT) 라벨이 필요합니다. 이러한 정답 라벨은 실제 세계에서 비싸고 노동 집약적으로 얻어지기 때문에, 이 문제를 해결하기 위해 우리는 카테고리 수준의 물체 자세 추정을 위한 비지도 도메인 적응(unsupervised domain adaptation, UDA) 방법론인 UDA-COPE를 제안합니다. 최근 다중 모달 UDA 기술에서 영감을 받아, 제안된 방법론은 대상 도메인의 자세 라벨을 사용하지 않고도 자세 추정 네트워크를 훈련시키기 위해 교사-학생 자기 지도 학습 방식을 활용합니다. 또한 예측된 정규화된 물체 좌표 공간(normalized object coordinate space, NOCS) 맵과 관찰된 포인트 클라우드 사이에서 양방향 필터링 방법을 소개하여, 우리의 교사 네트워크가 대상 도메인에 대해 더욱 견고해질 수 있도록 하고, 학생 네트워크 훈련에 더 신뢰할 수 있는 의사 라벨(pseudo labels)을 제공합니다. 광범위한 실험 결과는 우리 제안 방법론의 효과성을 정량적 및 정성적으로 입증하였습니다. 특히 대상 도메인의 GT 라벨을 활용하지 않았음에도 불구하고, 우리 제안 방법론은 GT 라벨에 의존하는 기존 방법론들과 비교해 유사하거나 때로는 우수한 성능을 달성하였습니다.