이산적인 것을 연속적으로 만들기: 저조도 환경에서의 정밀한 사람 탐지 성능 평가를 위한 합성 RAW 증강 (Synthetic RAW
요약
저조도 환경에서 객체 탐지 모델의 성능을 정밀하게 평가하기 위해 합성 RAW 이미지 증강 기술을 제안합니다. 카메라 센서의 노이즈 모델을 반영한 합성 데이터를 통해 데이터 불균형 문제를 해결하고 벤치마크의 커버리지를 개선합니다.
핵심 포인트
- 합성 RAW 증강을 통한 저조도 데이터 부족 문제 해결
- 카메라 센서 노이즈 모델을 반영한 정밀한 합성 데이터 생성
- 자율 주행 안전을 위한 보행자 탐지 성능 특성화
- 실제 데이터와 합성 데이터 간의 높은 성능 지표 유사성 확인
AI 비전 모델의 실제 환경 배포는 학습 및 테스트에 사용 가능한 데이터에 의해 가속화되는 동시에 제한을 받기도 합니다. 실제 데이터셋은 희소하고 불균형합니다. 롱테일 (long-tailed) 또는 불균형한 분포는 일반화 (generalization)를 방해하며, 밀도가 낮은 영역의 샘플 수가 적어 평가를 수행하기 어렵게 만듭니다. 합성 데이터 (Synthetic data)는 이러한 격차를 메울 수 있으며, 입력 공간을 더욱 연속적으로 샘플링하고 벤치마크를 위한 데이터 커버리지를 개선할 수 있는 방법을 제공합니다. 어둠 속에서의 보행자 탐지라는 자율 주행의 안전 필수 (safety-critical) 사례에 집중하여, 우리는 합성 저조도 샘플이 장면 조도 (illumination)의 함수로서 최첨단 객체 탐지 (object detection) 모델의 성능을 더 잘 특성화하는 데 어떻게 사용될 수 있는지 보여줍니다. 우리는 카메라 센서의 노이즈 모델 (noise model)과 일치하는 저조도 샘플을 생성하기 위해 합성 RAW 이미지 증강 기술을 사용합니다. 실제 및 합성 저조도 데이터에 대한 성능 지표는 유사하며, 이는 AI 모델이 이 둘을 구별하는 데 어려움을 겪고 있음을 나타냅니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기