딥 러닝 기반 road segmentation module의 일반화된 성능 확보를 위한 학습 데이터의 조건 분석

초록

Road segmentation 문제를 해결하기 위해 딥 러닝이 각광받고 있다. 딥 러닝 모델의 학습을 위해서는 도로를 주행하며 촬영된 도로 데이터 셋이 필요한데 일반적으로 한 대의 차량에서 차량 전방에 설치된 카메라로 데이터를 취득한다. 일부 공용 데이터 셋들로 같은 방법으로 데이터를 취득하나 이러한 데이터 셋을 사용해 학습한 모델은 하나의 시점에서 바라본 도로 영역에 대한 학습만이 이루어지기 때문에 다른 시점으로 도로 영역을 촬영한 데이터 셋에 대하여 road segmentation 성능이 떨어지는 문젝 발생한다. 본 논문은 동일한 시점의 데이터 셋으로 학습시킨 모델과 다양한 시점의 데이터 셋으로 학습시킨 모델을 비교하여 다양한 시점으로 촬영된 학습 데이터 셋을 사용한 모델이 하나의 시점에서만 촬영된 학습 데이터 셋을 사용한 모델보다 일반화된 성능을 보임을 확인하고 그 원인을 분석한다.