보이는 것은 당신이 얻는 것이다: 구조 인지형 포인트 클라우드 증강

세밀한 분할(semantic segmentation)을 위한 우수한 성능을 발휘하는 신경망을 훈련하기 위해서는, 네트워크가 미지의 데이터에 일반화할 수 있도록 대규모의 레이블이 있는 데이터셋이 필수적이다. 본 논문에서는 데이터셋을 인위적으로 다양화하기 위한 새로운 포인트 클라우드 증강 방법을 제안한다. 제안한 센서 중심의 증강 방법은 라이다 센서의 기능과 일치하는 데이터 구조를 유지한다. 이러한 새로운 방법을 통해 낮은 가치를 지닌 데이터에 높은 가치를 가진 인스턴스를 풍부하게 보완할 수 있으며, 완전히 새로운 시나리오도 생성할 수 있다. 우리는 공개된 SemanticKITTI 데이터셋을 활용하여 여러 신경망에서 제안한 방법을 검증하였으며, 각각의 기준 모델 대비 모든 네트워크가 성능 향상을 보임을 입증하였다. 또한, 본 방법을 통해 매우 소규모의 데이터셋만으로도 효과적인 학습이 가능함을 보여주며, 레이블링 시간, 훈련 시간 및 관련 비용을 크게 절감할 수 있음을 시사한다.