With the success of the 3D deep learning models, various perception technologies have been developed in the LiDAR domain. While these models perform well in the trained source domain, they struggle in unseen domains with a domain gap. This paper proposes a single-domain generalization method for LiDAR semantic segmentation (DGLSS) that aims to ensure good performance not only in the source domain but also in the unseen domain by learning only in the source domain. To this end, the proposed method augments the domain to simulate the unseen domains by randomly subsampling the LiDAR scans. With the augmented domain, two constraints are introduced for generalizable representation learning: sparsity invariant feature consistency (SIFC) and semantic correlation consistency (SCC). The SIFC aligns sparse internal features of the source domain with those of the augmented domain based on the feature affinity, while the SCC ensures that the correlations between class prototypes are similar in both domains. Also, a standardized training and evaluation setting for DGLSS is presented. With the standardized evaluation setting, the proposed method showed improved performance in the unseen domains compared to other baselines. Even without access to the target domain, the proposed method performed better than the domain adaptation method.
3차원 딥러닝 연구의 발전과 더불어, 다양한 라이다 점구름 인지 기술이 최근에 연구되었다. 하지만 기존 방식들은 학습 과정에 사용된 소스 도메인에서는 잘 수행하나 처음 접하는 도메인에서는 도메인 격차 때문에 어려움을 겪는다. 본 논문에는 라이다 점구름의 의미론적 분할을 위해, 하나의 소스 도메인으로만 학습하여 소스 도메인뿐만 아니라 접해보지 않은 도메인에서도 좋은 성능을 보이는 단일 도메인 일반화(DGLSS) 방식을 제안한다. 이를 위해 라이다 스캔을 임의로 샘플링하여 타겟 도메인을 가상화한 증강 도메인을 생성한다. 또한, 일반화된 특성 학습을 위한 제약 조건인 희소성 불변 특성 일관성(SIFC)과 의미론적 상관관계 일관성(SCC)을 제안한다. SIFC는 도메인 특성간 관계를 기반으로 소스 도메인의 특성을 증강 도메인의 특성과 정렬한다. SCC는 소스 도메인과 증강 도메인 내의 클래스 프로토타입 간의 상관관계가 유사하도록 제한한다. 마지막으로, DGLSS의 성능을 평가할 수 있는 표준화된 학습 및 평가 환경을 구축한다. 제안한 방식은 다른 방식들과 비교했을 때, 접하지 않은 도메인에서 향상된 성능을 보여주었다. 또한, 제안한 방식은 타겟 도메인을 접하지 않고도 도메인 적응 방식보다 높은 성능을 보였다.
