CCSPNet-Joint: 극한 조건 하에서 교통 표지 탐지를 위한 효율적인 공동 학습 방법

자율주행 분야에서 교통 표지 탐지는 중요한 연구 주제이다. 그러나 기존의 방법들은 안개, 비, 운동 왜곡과 같은 극한 조건을 자주 간과하고 있다. 또한, 이미지 노이즈 제거 모델과 객체 탐지 모델 간의 엔드투엔드 학습 전략은 모델 간 정보를 효과적으로 활용하지 못하는 문제가 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 컨텍스트 트랜스포머와 CNN을 기반으로 한 효율적인 특징 추출 모듈인 CCSPNet을 제안한다. 이 모듈은 이미지의 정적 및 동적 특징을 효과적으로 활용할 수 있으며, 빠른 추론 속도와 강력한 특징 증강 능력을 제공한다. 더불어, 객체 탐지와 이미지 노이즈 제거 간의 상관관계를 규명하고, 데이터 효율성과 일반화 성능을 향상시키기 위해 공동 학습 모델인 CCSPNet-Joint을 제안한다. 마지막으로, 제안된 방법의 유효성을 검증하기 위해 극한 환경에서의 교통 표지 탐지를 위한 새로운 데이터셋인 CCTSDB-AUG를 구축하였다. 광범위한 실험 결과, CCSPNet은 극한 조건 하에서 교통 표지 탐지에서 최신 기술 수준의 성능을 달성하였다. 엔드투엔드 기법 대비 CCSPNet-Joint은 정밀도(Precision)에서 5.32% 향상되고, [email protected]에서 18.09% 향상되는 성과를 보였다.