차량 연관(vehicle association)은 다양한 카메라 각도, 시간 프레임, 지리적 위치에 걸쳐 특정 차량을 검색하기 위해 필요한, 그러나 복잡한 핵심 과제이다. 자율주행과 6G 네트워크를 지원하는 환경에서는 초고속·저지연 6G 통신을 통해 차량의 위치 및 상태 정보를 실시간으로 공유할 수 있으므로, 이 과제는 도시 감시 및 교통 관리에서 중요한 역할을 수행한다. 검색 모델의 성공은 추출된 표현(representation)의 품질에 크게 좌우되며, 이는 배경 다양성 및 가림(occlusions)과 같은 요인의 영향을 받을 수 있다. 본 연구는 배경이나 환경 변화와 무관하게 차량의 공간적 위치를 판별하는 데 필요한 식별력(discriminative power)을 유지하면서, 서로 다른 도메인 전반에서 일관된 표현을 추출하는 방법을 제안한다. 이를 위해 Generic Representation Learning (GRL)이라 불리는 프레임워크를 도입한다. GRL에서는 대규모로 사전 학습된 기반 모델을 활용하여 차량에 대한 공간적 사전지식(spatial priors)을 제공하며, 구체적으로는 객체 검출을 위한 Grounding DINO 모델과 객체 분할을 위한 SAM 모델을 사용한다. 이들 모듈은 객체의 공간적 맥락을 네트워크가 이해하도록 협력하여, 간섭을 최소화하면서 특징 추출기가 식별에 유리한 영역에 집중할 수 있도록 한다. 또한, 메모리 뱅크(memory bank)를 기반으로 한 상호보완적 특징 정렬(feature alignment) 메커니즘을 도입하여, 학습된 객체 표현 속에서 전역적으로 적용 가능한 지식을 탐색한다. 이러한 구성 요소들은 함께 SRP를 형성하여 차량 검색에서 탁월한 성능을 발휘할 수 있는 능력을 향상시킨다. 광범위한 실험 결과, SRP는 널리 알려진 벤치마크에서 기존 모델들에 비해 유의미하게 우수한 성능을 보임이 입증되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.