초록
교통 환경의 극단적인 사례에 대한 의미 분할(Semantic Segmentation)의 강건성은 지능형 교통 시스템의 안전성에 있어 핵심적인 요소이다. 그러나 교통 사고의 대부분은 매우 동적이고 이전에 관측되지 않은 장면들로 구성되어 있어, 의미 분할 기법의 성능에 심각한 영향을 미친다. 더불어 전통적인 카메라 센서는 고속 주행 시 지연이 발생함으로써 시간 차원에서의 맥락 정보를 더욱 약화시킨다. 따라서 본 연구에서는 높은 시간 해상도를 갖는 이벤트 기반 데이터(Event-based Data)로부터 동적 맥락 정보를 추출하여, 운동 흐릿함, 충돌, 왜곡, 전복 등 다양한 사고 상황에서 발생하는 정적 RGB 이미지를 보완하고 강화하는 방법을 제안한다. 또한 교통 사고 상황에서의 분할 성능 평가를 위해 다양한 비상 상황을 포함하는 픽셀 단위 레이블링이 된 사고 데이터셋인 DADA-seg를 공개한다. 실험 결과, 이벤트 기반 데이터는 사고 시 빠르게 움직이는 전경 객체(충돌 물체)의 세밀한 운동 정보를 유지함으로써, 악조건 하에서도 의미 분할의 안정성을 향상시키는 보완적인 정보를 제공함을 확인하였다. 제안한 방법은 제안된 사고 데이터셋에서 기존의 20개 이상의 최첨단 의미 분할 방법들을 초월하며, 평균 +8.2%의 성능 향상을 달성하였다. 본 방법은 Cityscapes, KITTI-360, BDD, ApolloScape 등 다양한 소스 데이터베이스에서 학습된 모델에 대해 일관되게 효과적임이 입증되었다.