차선 감지는 미래 모빌리티 솔루션에서 중요한 주제이다. 배경 잡음, 조명 조건의 변화, 가림(occlusions)과 같은 실제 환경의 도전 과제들은, 데이터 수집과 주석(annotation)에 상당한 노력과 비용이 요구되는 데이터 기반 접근에 특히 두드러지게 효과적인 차선 감지를 어렵게 한다. 이러한 문제를 해결하기 위해 차선 감지 방법은 주변 차선 및 객체로부터 맥락적이고 전역적인 정보를 활용할 필요가 있다. 본 논문에서는 사전 학습(pre-trained) 모델을 Oracle로 사용하는 Spatial Attention Mutual Information Regularization을 제안하며, 이를 SAMIRO라고 한다. SAMIRO는 도메인 비의존적(domain-agnostic) 공간 정보를 보존하면서 사전 학습 모델로부터 지식을 전이하여 차선 감지 성능을 향상시킨다. SAMIRO의 플러그-앤-플레이(plug-and-play) 특성을 활용하여, 이를 다양한 최신 차선 감지 접근법에 통합하고 CULane, Tusimple, LLAMAS와 같은 주요 벤치마크에서 광범위한 실험을 수행한다. 실험 결과, SAMIRO는 서로 다른 모델과 데이터셋 전반에서 성능을 일관되게 향상시키는 것으로 나타났다. 코드는 출판과 함께 공개될 예정이다. • 우리는 사전 학습 모델로부터 도메인 비의존적 지식을 전이함으로써 차선 감지의 일반화(generalization)를 향상시키는 새로운 정규화(regularization) 프레임워크인 SAMIRO를 제안한다. • SAMIRO는 플러그-앤-플레이이며 최신 차선 감지 방법과 함께 확장 가능하다. • 우리는 공개 벤치마크(CULane, Tusimple, LLAMAS)에서 SAMIRO를 검증하였으며, 그 결과 SOTA 모델과 동등하거나 이를 능가하는 성능을 달성함을 보였다.

딥러닝의 도입 이후 지난 10년 동안 컴퓨터 비전 분야에서는 상당한 양의 연구가 수행되어 왔다. 특히, 객체 탐지(object detection; OD)에 관한 연구는 빠르게 계속 발전하고 있다. 그러나 이러한 진전에도 불구하고 딥러닝 기반 OD 모델의 실제 적용을 가능하게 하기 위해서는 몇 가지 한계를 극복할 필요가 있다. 그중 하나는 영상 품질이 나쁘거나 대상 물체가 작은 경우의 부정확한 OD이다. 작은 물체에 대한 성능 저하 현상은 수용영역(receptive field) 제약과 같은 OD 모델의 근본적 한계와 유사하며, 이는 OD 모델만으로 해결하기 어려운 문제이다. 따라서 낮은 영상 품질 또는 작은 대상 물체로 인해 OD 성능이 저해될 수 있다. 이를 해결하기 위해 본 연구는 특히 작은 물체에 대해 탐지를 개선하기 위한 초해상도(super-resolution; SR)와 OD 기법의 적합성을 조사한다. 우리는 SR과 OD 모델의 결합을 분석하고, 이를 아키텍처적 특성에 따라 분류한다. 실험 결과, OD 검출기를 SR 모델과 통합할 경우 상당한 성능 향상이 나타났다. 전반적으로, SR 모델의 평가 지표(PSNR, SSIM)가 높을수록 OD 성능 또한 이에 상응하여 높게 나타남이 입증되었다. 특히 MS COCO 데이터셋에 대한 평가에서는 작은 물체에 대한 향상률이 전체 물체에 비해 9.4% 더 높은 것으로 나타났다. 본 연구는 SR과 OD 모델의 적합성을 분석함으로써 두 기법의 상호 시너지적 조합이 제공할 수 있는 잠재적 이점을 보여준다. 실험 코드는 당사 GitHub 저장소에서 확인할 수 있다.