Core Concepts
본 연구는 레이더 데이터의 대량 비지도 데이터를 활용하여 레이더 기반 객체 탐지 성능을 향상시키는 자기지도학습 프레임워크를 제안한다.
Abstract
본 연구는 자율주행 레이더 기반 객체 탐지 문제를 다룬다. 레이더 데이터는 사람이 해석하기 어려워 대량의 레이더 데이터 주석화가 어려운 문제가 있다. 이를 해결하기 위해 본 연구는 레이더-레이더 및 레이더-비전 대조학습 손실 함수를 활용한 자기지도학습 프레임워크 "Radical"을 제안한다.
Radical은 다음과 같은 핵심 구성요소를 가진다:
i) 레이더-레이더 대조학습을 통해 레이더 데이터의 고유한 특성(예: 희소성, 반사 특성)을 학습
ii) 레이더-비전 대조학습을 통해 비전 데이터의 의미적 정보를 레이더 표현에 반영
iii) 레이더 MIMO 마스킹(RMM) 기법을 통해 레이더 데이터에 특화된 데이터 증강 기법 적용
실험 결과, Radical은 기존 지도학습 대비 5.8% mAP 향상을 보였으며, 특히 레이더 단독 기반 객체 탐지 성능이 크게 개선되었다. 이는 Radical이 레이더 데이터의 고유한 특성을 잘 학습하고, 비전 데이터의 의미적 정보를 효과적으로 활용할 수 있음을 보여준다.
Stats
레이더 데이터는 사람이 해석하기 어려워 대량의 주석화가 어려운 문제가 있다.
레이더와 비전 센서는 서로 다른 전자기 스펙트럼을 사용하므로, 서로 다른 물체를 감지할 수 있다.
레이더 데이터는 다양한 환경 요인(예: 도플러 효과)에 의해 왜곡될 수 있다.
Quotes
"레이더 이미지는 사람이 해석하기 어려운 블롭 형태로 나타나며, 차량의 일부만 반사되는 등 특성이 복잡하다."
"레이더와 비전 센서는 서로 다른 전자기 스펙트럼을 사용하므로, 서로 다른 물체를 감지할 수 있다."