Core Concepts
본 연구에서는 저비용으로 생성한 가상 LiDAR 포인트 클라우드를 활용하여 3D 객체 탐지 모델의 클래스 불균형 문제를 해결하는 방법을 제안한다.
Abstract
본 연구는 3D 객체 탐지 모델의 클래스 불균형 문제를 해결하기 위해 가상 LiDAR 포인트 클라우드를 생성하고 활용하는 방법을 제안한다.
볼륨 3D 인스턴스 수집:
미니어처 및 실제 객체의 다각도 영상을 활용하여 3D 볼륨 표현을 재구성한다.
이를 통해 다양한 방향과 거리의 가상 LiDAR 포인트 클라우드를 생성할 수 있다.
객체 수준 도메인 정렬:
생성된 RGB 기반 포인트 클라우드를 실제 LiDAR 데이터와 유사하게 변환한다.
공간 분포와 강도 정보를 반영하기 위해 필터링, 재배치, 강도 추정 모델을 활용한다.
가상 LiDAR 포인트 클라우드 증강:
지도 정보와 지면 정보를 활용하여 현실적인 삽입 위치를 선정한다.
생성된 객체를 실제 데이터와 혼합하여 도메인 간 격차를 줄인다.
실험 결과, 제안 방법은 nuScenes, KITTI, Lyft 데이터셋에서 다양한 3D 객체 탐지 모델의 성능을 향상시켰으며, 특히 소수 클래스에 대한 탐지 성능이 크게 개선되었다.
Stats
"LiDAR 센서의 수직 FOV는 -30°~10°이다."
"LiDAR 센서의 채널 수는 32개이다."
"LiDAR 센서의 방위각 해상도는 1080 픽셀이다."
Quotes
"본 연구에서는 저비용으로 생성한 가상 LiDAR 포인트 클라우드를 활용하여 3D 객체 탐지 모델의 클래스 불균형 문제를 해결하는 방법을 제안한다."
"제안 방법은 nuScenes, KITTI, Lyft 데이터셋에서 다양한 3D 객체 탐지 모델의 성능을 향상시켰으며, 특히 소수 클래스에 대한 탐지 성능이 크게 개선되었다."