【브레이크뉴스 】이성현 기자=DGIST(총장 이건우) 미래모빌리티연구부 권순·이진희 연구팀이 라벨이 극히 적은 환경에서도 최신 성능(State-of-the-Art, SOTA)을 구현한 3D 준지도 객체 인식(SSOD, Semi-Supervised Object Detection) 프레임워크 ‘MultipleTeachers’를 개발했다.

▲ .(좌측부터) 미래모빌리티연구부 권순 책임연구원, 이진희 선임전임연구원  © DGIST

이번에 개발된 기술은 유사한 객체를 그룹화해 범주별 교사 네트워크(category-wise teacher network)를 구성하고, 이들이 협력적으로 의사 라벨(pseudo label)을 생성하는 새로운 학습 전략을 도입했다. 또한 희소한 라이다(LiDAR) 포인트 문제를 보완하는 ‘PointGen’ 모듈을 결합해 차량·보행자·이륜차 등 도심 주요 객체의 인지 정확도를 크게 향상시켰다.

이를 통해 적은 양의 라벨 데이터로도 높은 학습 효율을 달성, 안전 중심 자율주행 인지 기술의 새로운 패러다임을 제시했다.

자율주행 기술 고도화에는 대규모 라벨링 작업으로 인한 시간과 비용 부담이 주요 과제로 꼽혀왔다. DGIST 연구팀은 준지도·자기지도 학습을 결합한 하이브리드 학습 구조를 고도화하여, 라벨 데이터 의존도를 크게 낮추면서도 실험 환경에서 기존 대비 월등한 성능을 입증했다.

DGIST는 또한 창업기업 ㈜퓨처드라이브와 협력해 한국 도심 환경을 충실히 반영한 자체 라이다 데이터셋 ‘LiO’(LiDAR in Our city)를 구축했다.

LiO는 128채널 라이다 1대와 6대의 카메라로 수집된 데이터를 기반으로 하며, 7개 클래스에 대해 전문가의 3회 이상 검수를 거쳐 높은 품질을 확보했다.

총 약 2.1만 개의 라벨 프레임과 9.6만 개의 언라벨 프레임, 평균 35.8개의 객체 정보를 포함해 다양한 자율주행 실험 환경에 활용될 수 있다.

성능 검증 결과, Waymo Open Dataset(라벨 1%)에서 47.5 mAP, KITTI(라벨 2%)에서 72.2 mAP, LiO Large(라벨 15%)에서 61.4 mAP를 기록하며 기존 최신 기법을 일관되게 상회했다. 특히 보행자와 이륜차 등 소형 객체의 검출 성능이 대폭 향상돼 도심 안전성 강화에 기여할 것으로 기대된다.

이진희 박사는 “세계 최고 수준의 비전 학회인 ICCV 2025에서 DGIST의 인지 기술을 발표하게 되어 영광”이라며 “LiO 데이터셋을 공개해 글로벌 연구자들과 지식을 공유하고, 자율주행·스마트시티·물류 로보틱스 등 다양한 분야로 기술을 확산시킬 계획”이라고 밝혔다.

한편, 이번 연구는 DGIST 기관고유사업과 과학기술정보통신부 연구개발특구육성(R&D) 사업의 지원을 받아 수행됐으며, 연구 성과는 오는 10월 개최되는 ICCV 2025에서 공식 발표될 예정이다.

<구글 번역으로 번역한 영문 기사의 전문 입니다. 번역에 오류가 있을 수 있음을 밝힙니다.>

DGIST Develops 3D Semi-Supervised Learning Technology that Achieves Peak Performance Even in Label-Few Environments

The research team of Soon Kwon and Jinhee Lee of the Future Mobility Research Department at DGIST (President Lee Kun-woo) has developed a 3D Semi-Supervised Object Detection (SSOD) framework, "MultipleTeachers," that achieves state-of-the-art performance even in environments with extremely few labels.

The newly developed technology introduces a novel learning strategy that groups similar objects to form a category-wise teacher network and collaboratively generates pseudo-labels. Furthermore, by incorporating the "PointGen" module, which addresses the issue of sparse LiDAR points, the system significantly improves the recognition accuracy of key urban objects such as vehicles, pedestrians, and motorcycles.

This achievement achieves high learning efficiency even with a small amount of labeled data, suggesting a new paradigm for safety-focused autonomous driving perception technology.

The time and cost burden associated with large-scale labeling tasks have been cited as key challenges in advancing autonomous driving technology. The DGIST research team has advanced a hybrid learning structure that combines semi-supervised and self-supervised learning, significantly reducing reliance on labeled data while demonstrating superior performance compared to existing methods in experimental settings.

DGIST also collaborated with startup FutureDrive Inc. to build its own LiDAR dataset, "LiO" (LiDAR in Our City), which faithfully reflects the Korean urban environment.

LiO is based on data collected from a 128-channel LiDAR and six cameras, and has undergone at least three rounds of expert review for seven classes to ensure high quality.

Containing approximately 21,000 labeled frames, 96,000 unlabeled frames, and an average of 35.8 object data points, it can be utilized in various autonomous driving experimental environments.

Performance verification results consistently outperformed existing state-of-the-art techniques, achieving 47.5 mAP on the Waymo Open Dataset (1% labels), 72.2 mAP on the KITTI (2% labels), and 61.4 mAP on the LiO Large (15% labels). The significant improvement in detection performance for small objects, such as pedestrians and motorcycles, is expected to contribute to enhancing urban safety.

Dr. Jinhee Lee stated, "It is an honor to present DGIST's cognitive technology at ICCV 2025, the world's leading vision conference. We plan to share knowledge with global researchers by releasing the LiO dataset and expand the technology to diverse fields such as autonomous driving, smart cities, and logistics robotics."

Meanwhile, this research was supported by DGIST's Institutional Project and the Ministry of Science and ICT's Research and Development Special Zone Promotion (R&D) program. The research results will be officially presented at ICCV 2025 in October.