3D 객체 탐지에 대한 이해와 응용 분야

수년에 걸쳐 object detection 기술은 점점 더 발전해 왔습니다. 단순한 2차원(2D) 이미지에서 객체를 인식하는 것에서 나아가, 우리 주변의 복잡한 3차원(3D) 세계 속 객체를 식별하는 수준으로 진화했습니다. 이미지의 일부를 저장된 참조 이미지와 비교하여 객체를 찾는 템플릿 매칭과 같은 초기 기법들은 1970년대에 개발되었으며 2D object detection의 기반을 형성했습니다. 1990년대에는 LIDAR(Light Detection and Ranging) 같은 기술이 도입되면서 시스템이 깊이 및 공간 정보를 더욱 쉽게 캡처할 수 있게 되었습니다. 오늘날 2D 이미지와 3D 데이터를 결합하는 multi-modal fusion methods은 고도로 정확한 3D object detection 시스템의 길을 열어주었습니다.

Fig 1. 3D object detection의 예시.

본 글에서는 3D 객체 탐지가 무엇인지, 어떻게 작동하는지, 그리고 2D 객체 탐지와 어떻게 다른지 살펴보겠습니다. 또한 3D 객체 탐지의 몇 가지 응용 분야에 대해서도 논의하겠습니다. 시작해 보겠습니다!

2D 객체 탐지 개요#

3D object detection을 살펴보기 전에 2D object detection이 어떻게 작동하는지 이해해 보겠습니다. 2D object detection은 컴퓨터가 평면적인 2차원 이미지 내에서 객체를 인식하고 위치를 파악할 수 있게 해주는 computer vision technique입니다. 이는 사진 속 객체의 수평(X) 및 수직(Y) 위치를 분석하는 방식으로 작동합니다. 예를 들어, 축구장의 선수들이 담긴 이미지를 Ultralytics YOLOv8 같은 2D object detection 모델에 입력하면, 이미지를 분석하고 각 객체(여기서는 선수들) 주변에 draw bounding boxes를 그려 그들의 위치를 정확하게 식별할 수 있습니다.

Fig 2. 축구장의 선수를 감지하는 데 사용되는 YOLOv8 2D object detection.

그러나 2D object detection에는 한계가 있습니다. 오직 두 차원만 고려하기 때문에 깊이를 이해하지 못합니다. 이로 인해 객체가 얼마나 멀리 떨어져 있는지 또는 얼마나 큰지 판단하기 어려울 수 있습니다. 예를 들어, 멀리 있는 큰 객체가 더 가까이 있는 작은 객체와 같은 크기로 보일 수 있어 혼란을 줄 수 있습니다. 깊이 정보의 부족은 객체의 실제 크기와 거리를 아는 것이 필수적인 robotics나 augmented reality 같은 응용 분야에서 부정확성을 초래할 수 있습니다. 바로 이 지점에서 3D object detection의 필요성이 대두됩니다.

3D 객체 탐지를 통한 공간 인식 확보#

3D object detection은 컴퓨터가 3차원 공간에서 객체를 식별할 수 있게 해주는 고급 computer vision 기술로, 주변 세계에 대한 훨씬 더 깊이 있는 이해를 제공합니다. 2D object detection과 달리 3D object detection은 깊이에 대한 데이터도 고려합니다. 깊이 정보는 객체의 위치, 크기, 거리, 그리고 실제 3D 세계에서의 배향 등 더 많은 세부 정보를 제공합니다. 흥미롭게도 3D detection은 하나의 객체가 다른 객체를 부분적으로 가리는 상황(가림 현상)을 더 잘 처리할 수 있으며 관점이 바뀔 때도 신뢰성을 유지합니다. 이는 정밀한 공간 인식이 필요한 유스케이스에 강력한 도구입니다.

3D object detection은 self-driving cars, robotics, 증강 현실 시스템 같은 응용 분야에 필수적입니다. LiDAR나 스테레오 카메라 같은 센서를 사용하여 작동합니다. 이러한 센서는 포인트 클라우드 또는 깊이 맵으로 알려진 환경의 상세한 3D 맵을 생성합니다. 그런 다음 이 맵을 분석하여 3D 환경에서 객체를 감지합니다.

Fig 3. 자동차의 3D object detection.

포인트 클라우드와 같은 3D 데이터를 처리하도록 특별히 설계된 고급 computer vision models이 많이 있습니다. 예를 들어 VoteNet은 허프 투표(Hough voting)라는 메서드를 사용하여 포인트 클라우드에서 객체의 중심이 어디에 있는지 예측함으로써 객체를 더 쉽게 감지하고 정확하게 classify할 수 있게 해주는 모델입니다. 마찬가지로 VoxelNet은 데이터 분석을 단순화하기 위해 포인트 클라우드를 복셀(voxel)이라는 작은 입방체 그리드로 변환하는 모델입니다.

2D 및 3D 객체 탐지의 주요 차이점#

이제 2D 및 3D 객체 탐지에 대해 이해했으니, 그 주요 차이점을 살펴보겠습니다. 3D 객체 탐지는 포인트 클라우드를 다루기 때문에 2D 객체 탐지보다 더 복잡합니다. LiDAR가 생성하는 포인트 클라우드와 같은 3D 데이터를 분석하려면 훨씬 더 많은 메모리와 컴퓨팅 성능이 필요합니다. 또 다른 차이점은 관련된 알고리즘의 복잡성입니다. 3D 객체 탐지 모델은 깊이 추정, 3D 형태 분석, 객체의 방향 분석을 수행할 수 있도록 더욱 복잡해야 합니다.

Fig 4. 2D 대 3D Object Detection.

3D object detection 모델은 2D object detection 모델보다 더 무거운 수학적 및 연산 작업을 수반합니다. advanced hardware와 최적화가 없다면 실시간으로 3D 데이터를 처리하는 것은 어려울 수 있습니다. 그러나 이러한 차이점으로 인해 3D object detection은 더 나은 공간 이해도가 필요한 응용 분야에 더 적합합니다. 반면 2D object detection은 image recognition이나 video analysis가 필요한 security systems 같은 더 단순한 응용 분야에 자주 사용됩니다.

3D 객체 탐지의 장단점#

3D object detection은 기존의 2D object detection 방법과 차별화되는 몇 가지 장점을 제공합니다. 객체의 세 가지 차원을 모두 캡처함으로써 실제 세계에 대한 위치, 크기, 방향에 관한 정밀한 세부 정보를 제공합니다. 이러한 정밀함은 장애물의 정확한 위치를 아는 것이 안전에 매우 중요한 self-driving cars 같은 응용 분야에 필수적입니다. 3D object detection을 사용하는 또 다른 장점은 3D 공간에서 서로 다른 객체가 어떻게 연관되어 있는지 훨씬 더 잘 이해할 수 있도록 도와준다는 것입니다.

Fig 5. 3D Object Detection으로 가림 현상 해결하기.

많은 이점에도 불구하고 3D 객체 탐지에는 몇 가지 한계가 있습니다. 다음은 기억해야 할 주요 도전 과제입니다:

• 더 높은 컴퓨팅 비용: 3D 데이터를 작업하려면 더 강력한 하드웨어 자원이 필요하며, 비용이 빠르게 증가할 수 있습니다.
• 더 복잡한 데이터 요구사항: 3D object detection은 종종 LiDAR 같은 고급 센서에 의존하며, 이는 비용이 많이 들고 모든 환경에서 반드시 사용할 수 있는 것은 아닙니다.
• Collecting and processing data: 3D object detection의 복잡한 데이터 요구사항으로 인해 모델을 학습하는 데 필요한 대규모 데이터셋을 수집, 준비, 처리하는 과정은 시간이 오래 걸리고 리소스가 많이 소모됩니다.
• 모델 복잡성 증가: 3D 객체 탐지에 사용되는 모델은 일반적으로 2D 객체 탐지 모델보다 레이어와 파라미터가 더 많아 더 복잡합니다.

3D 객체 탐지의 응용 분야#

이제 3D 객체 탐지의 장단점에 대해 논의했으니, 3D 객체 탐지의 사용 사례를 좀 더 자세히 살펴보겠습니다.

자율주행 차량#

self-driving cars에서 3D object detection은 차량 주변 환경을 인식하는 데 필수적입니다. 차량이 보행자, 다른 차량, 장애물을 감지할 수 있게 해줍니다. 또한 실제 세계에서 이들의 위치, 크기, 방향에 대한 정확한 정보를 제공합니다. 3D object detection 시스템을 통해 얻은 상세한 데이터는 탑승객에게 훨씬 더 안전한 자율 주행 경험을 제공하는 데 도움이 됩니다.

그림 6. 자율주행 차량에서의 3D 객체 탐지 활용. (출처: towardsdatascience.com)

로봇 공학#

로봇 시스템은 다양한 응용 분야에 3D object detection을 사용합니다. 다양한 유형의 환경을 탐색하고, 객체를 집어 올리고 놓고, 주변 환경과 상호작용하는 데 이를 사용합니다. 이러한 유스케이스는 로봇이 효과적으로 기능하기 위해 3차원 레이아웃을 이해해야 하는 warehouses나 manufacturing facilities 같은 동적 환경에서 특히 중요합니다.

Fig 7. 3D object detection을 사용하는 모바일 로봇.

증강 및 가상 현실 (AR/VR)#

3D object detection의 또 다른 흥미로운 유스케이스는 증강 및 가상 현실 응용 분야입니다. 3D object detection은 현실적인 VR 또는 AR 환경에 가상 객체를 정확하게 배치하는 데 사용됩니다. 이를 통해 이러한 기술의 전반적인 사용자 경험이 향상됩니다. 또한 VR/AR 시스템이 물리적 객체를 인식하고 추적할 수 있게 하여 디지털 요소와 물리적 요소가 원활하게 상호작용하는 몰입형 환경을 조성합니다. 예를 들어 AR/VR 헤드셋을 사용하는 gamers는 3D object detection의 도움으로 훨씬 더 몰입감 있는 경험을 얻을 수 있습니다. 이는 3D 공간에서 가상 객체와의 상호작용을 훨씬 더 매력적으로 만듭니다.

Fig 8. AR 응용 프로그램에 사용되는 3D object recognition의 예시.

3D 객체 탐지에 대한 최종 생각#

3D 객체 탐지는 시스템이 2D 객체 탐지 방식보다 더 효과적으로 깊이와 공간을 이해할 수 있게 합니다. 이 기술은 객체의 크기, 거리, 위치를 파악하는 것이 중요한 자율주행 자동차, 로봇, AR/VR과 같은 응용 분야에서 핵심적인 역할을 합니다. 3D 객체 탐지는 더 많은 처리 능력과 복잡한 데이터를 필요로 하지만, 정확하고 상세한 정보를 제공하는 능력 덕분에 많은 분야에서 매우 가치 있는 도구로 자리 잡았습니다. 기술이 발전함에 따라 3D 객체 탐지의 효율성과 접근성은 개선될 것이며, 이는 다양한 산업 전반에 걸쳐 더 폭넓은 채택과 혁신의 길을 열어줄 것입니다.

AI의 최신 소식을 확인하려면 저희 community와 계속 소통하세요! manufacturing 및 healthcare 같은 산업에서 최첨단 솔루션을 만들기 위해 AI를 어떻게 활용하고 있는지 GitHub repository를 방문하여 확인해 보세요. 🚀