UniLiDAR: 다양한 LiDAR 간의 도메인 갭을 연결하기 위한 지속적 학습

LiDAR 기반 3D 인식 알고리즘은 대규모 데이터셋의 출현과 함께 빠르게 발전해왔습니다. 그럼에도 불구하고, 특정 데이터셋에서 훈련된 모델이 다른 데이터셋이나 서로 다른 LiDAR를 가진 실제 상황에 적용될 때 성능 저하가 종종 발생합니다. 본 논문은 서로 다른 LiDAR를 처리할 수 있는 통합 모델을 개발하여 다양한 LiDAR 데이터셋 간의 지속적 학습을 가능하게 하고 이질적인 플랫폼 간의 원활한 배포를 목표로 합니다. 우리는 데이터셋 간의 갭이 주로 기하학적 불일치(예: 빔과 포인트 수의 변동) 및 의미론적 불일치(분류의 충돌)로 나타난다는 것을 관찰합니다. 이를 위해 본 논문은 기하학적 재정렬과 의미 레이블 매핑을 활용하여 여러 데이터셋 훈련을 용이하게 하고 이질적인 플랫폼에서 배포 시 성능 저하를 완화하는 점유 예측 파이프라인인 UniLiDAR를 제안합니다. Moreover, 우리 방법은 기존 3D 인식 모델과 쉽게 결합될 수 있습니다. LiDAR 도메인 갭을 연결하는 데 있어 제안된 접근법의 효능은 두 가지 주요 데이터셋인 OpenOccupancy-nuScenes 및 SemanticKITTI에 대한 포괄적인 실험을 통해 검증되었습니다. UniLiDAR는 직접 병합된 데이터셋에서 훈련된 모델에 비해 점유 예측의 mIoU를 각각 15.7% 및 12.5% 향상시킵니다. 또한, 개별 데이터셋에서 훈련된 여러 SOTA 방법보다 우수한 성능을 보입니다. 우리는 우리의 연구가 3D 일반화에 대한 추가 연구를 촉진할 것으로 기대하며, 코드가 곧 공개될 예정입니다.