클래스 균형 손실 및 다중 스케일 표현을 통한 3D 점유 예측 개선

3D 환경 인식은 자율 주행 시스템에 필수적입니다. 자율 주행 차량은 주변 장면에 대한 포괄적인 이해가 필요하기 때문입니다. 최근 이 실생활 문제를 정의하는 우선적인 접근법은 3D 점유 예측입니다. 이는 3D 공간 내 모든 복셀의 점유 상태와 시맨틱 레이블을 예측하여 인지 능력을 강화합니다. 새의 시점(BEV) 기반 인지는 이 과제에서 SOTA 성능을 달성했으나, 이 구조는 다양한 BEV 피처의 스케일을 효과적으로 표현하지 못합니다. 본 논문에서는 시맨틱 분할 과제에서 UNet의 성공에 착안하여, 이 문제를 완화하기 위한 새로운 UNet 유사 다중 스케일 점유 헤드 모듈을 제안합니다. 또한 데이터셋 내 희귀 클래스를 보완하기 위해 클래스 균형 손실을 도입하였습니다. nuScenes 3D 점유 챌린지 데이터셋에서의 실험 결과는 제안하는 방법이 기본선 및 SOTA 기법보다 우수함을 보여줍니다.