Core Concepts
LiDAR 기반 3D 객체 탐지기는 학습 데이터에 없는 알 수 없는 객체를 잘못 분류할 수 있어 자율주행 차량의 안전성과 신뢰성에 위협이 된다. 이 문제를 해결하기 위해 기존 객체 탐지기에 추가로 분포 외 객체 탐지기를 구현하여 ID 객체와 OOD 객체를 구분할 수 있다.
Abstract
이 논문은 LiDAR 기반 3D 객체 탐지에서 분포 외(out-of-distribution, OOD) 객체 탐지 문제를 다룬다. LiDAR 기반 3D 객체 탐지기는 학습 데이터에 없는 알 수 없는 객체를 잘못 분류할 수 있어 자율주행 차량의 안전성과 신뢰성에 위협이 된다.
이를 해결하기 위해 저자들은 다음과 같은 접근법을 제안한다:
기존 객체 탐지기의 특징 맵을 활용하여 ID 객체와 OOD 객체를 구분하는 간단한 다층 퍼셉트론(MLP) 모델을 학습한다.
ID 객체를 임의로 변형하여 합성 OOD 객체를 생성하고, 이를 활용하여 MLP 모델을 학습한다.
기존 데이터셋을 활용하여 실제 OOD 객체를 포함한 평가 시나리오를 구축하는 새로운 평가 프로토콜을 제안한다.
실험 결과, 제안 방법은 기존 방법 대비 OOD 객체 탐지 성능이 크게 향상되었음을 보여준다. 특히 AUPR-Error 지표에서 10.94% 향상된 결과를 보였다. 이를 통해 제안 방법이 OOD 객체를 효과적으로 식별할 수 있음을 확인하였다.
Stats
LiDAR 기반 3D 객체 탐지기는 학습 데이터에 없는 알 수 없는 객체를 잘못 분류할 수 있다.
제안 방법은 기존 방법 대비 AUPR-Error 지표에서 10.94% 향상된 성능을 보였다.
Quotes
"LiDAR 기반 3D 객체 탐지는 자율주행 분야에서 필수적인 기술이 되었지만, 학습 데이터에 없는 알 수 없는 객체를 잘못 분류하는 문제가 여전히 존재한다."
"제안 방법은 기존 객체 탐지기의 특징 맵을 활용하여 ID 객체와 OOD 객체를 구분하는 간단한 MLP 모델을 학습함으로써, 기존 방법 대비 OOD 객체 탐지 성능을 크게 향상시켰다."