Core Concepts
본 연구는 기반 모델로부터의 지식 증류를 활용하여 테스트 시간에 3D 시맨틱 세그멘테이션 모델을 효과적으로 적응시키는 방법을 제안한다.
Abstract
본 연구는 3D 시맨틱 세그멘테이션을 위한 첫 번째 테스트 시간 학습 방법인 TTT-KD를 제안한다. TTT-KD는 2D 기반 모델로부터의 지식 증류를 자기 지도 학습 목적으로 활용하여 테스트 시간에 모델을 적응시킨다.
학습 단계에서는 3D 백본 네트워크를 주 세그멘테이션 작업과 2D→3D 지식 증류 작업을 동시에 학습한다. 테스트 시간에는 각 테스트 샘플에 대해 지식 증류 작업을 통해 3D 백본 네트워크의 가중치를 미세 조정한다. 이를 통해 분포 변화에 적응할 수 있다.
다양한 실내 및 실외 3D 세그멘테이션 벤치마크에서의 실험 결과, TTT-KD는 기존 방법 대비 큰 성능 향상을 보였다. 분포가 유사한 경우 최대 13% mIoU, 분포가 다른 경우 최대 45% mIoU의 성능 향상을 달성했다.
Stats
분포가 유사한 경우 최대 13% mIoU 향상
분포가 다른 경우 최대 45% mIoU 향상
Quotes
"TTT-KD는 기반 모델로부터의 지식 증류를 활용하여 테스트 시간에 3D 시맨틱 세그멘테이션 모델을 효과적으로 적응시킨다."
"TTT-KD는 다양한 실내 및 실외 3D 세그멘테이션 벤치마크에서 기존 방법 대비 큰 성능 향상을 보였다."