IAM: 새로운 벤치마크를 활용한 RGB-D 인스턴스 세그멘테이션 향상

이미지 분할은 인간의 도움을 제공하고 일상 생활에서 자율성을 향상시키는 데 중요한 역할을 합니다. 특히, 시각적 정보와 깊이 정보를 모두 활용하는 RGB-D 분할은 RGB만을 사용하는 방법보다 더 풍부한 장면 이해를 약속하며 점점 더 많은 관심을 받고 있습니다. 그러나 대부분의 기존 연구는 주로 의미론적 분할에 초점을 맞추어 왔기 때문에 중요한 간극이 남아 있습니다. 개체 수준의 RGB-D 분할 데이터셋이 상대적으로 부족하여 현재의 방법들은 개별 객체를 인식하기 위해 필요한 미세한 세부 사항을 완전히 포착하지 못하고 넓은 범주 구분에 제한됩니다. 이 간극을 메우기 위해 우리는 개체 수준으로 구분되는 세 가지 RGB-D 인스턴스 분할 벤치마크를 소개합니다. 이러한 데이터셋들은 실내 탐색부터 로봇 조작까지 다양한 응용 분야를 지원합니다. 또한, 우리는 이 벤치마크에서 다양한 기초 모델들의 광범위한 평가 결과를 제시합니다. 이 종합적인 분석은 각 모델의 강점과 약점을 식별하여 미래 연구가 보다 견고하고 일반화된 솔루션으로 나아갈 수 있도록 안내합니다. 마지막으로, 우리는 단순하면서도 효과적인 RGB-D 데이터 통합 방법을 제안합니다. 광범위한 평가는 우리의 접근 방식의 효과성을 확인하며, 보다 섬세한 장면 이해로 나아가는 견고한 프레임워크를 제공합니다.