당신은 기억하십니까… 미래를. 3D 객체 탐지에서 약한 일반화에서 강한 일반화로

이 논문은 라이다 기반 3차원 객체 탐지에 대한 새로운 방법을 제안하며, 주요 분야 과제인 희소성과 가림 현상을 해결한다. 본 연구는 시간적 포인트 클라우드 시퀀스를 활용하여 다각도에서 객체를 포괄적으로 관찰할 수 있는 프레임을 생성한다. 이러한 프레임을 실시간으로 생성하는 과제를 해결하기 위해, 트레이너-학생(Teacher-Student) 프레임워크 내에서 지식 증류(Knowledge Distillation) 기법을 도입하여, 학생 모델이 트레이너의 고도화된 인지 능력을 모방하도록 한다. 본 연구는 객체가 완전한 데이터로 풍부하게 확장된 데이터셋에서 트레이너 모델을 학습함으로써 컴퓨터 비전 분야에서 약한 일반화에서 강한 일반화로의 전이를 선도적으로 적용한 사례이다. 이 데모에서는 X-Ray 트레이너가 객체 완전 프레임에 대해 생성한 레이블의 뛰어난 품질을 보여주며, 본 방법이 트레이너의 지식을 효과적으로 증류하여 3차원 객체 탐지 모델의 성능을 향상시킨다는 점을 입증한다.