KITScenes-LongTail 데이터셋의 Hugging Face 페이지와 FiftyOne 기반 뷰·임베딩·3D 포인트클라우드 메타정보

게시물은 주로 데이터셋의 구성·임베딩 차원·시각화·3D 메타정보라는 구체적 항목을 나열해 실무적 관심을 유발하는 방식으로 작성돼 있다. 제공된 요소들은 데이터 탐색과 샘플 선정, 3D 결합 실험에 필요한 핵심 자료를 포함하고 있어 연구자와 엔지니어의 초기 검토 요구에 부합한다. 다만 구체적 계산식이나 점수 산출 방식·평가 결과 표시는 포함돼 있지 않아 심층 비교를 위한 추가 문서나 코드가 필요하다는 인식이 덧붙여질 가능성이 있다.

• 임베딩 기반 유사도 검색을 활용해 대표 샘플과 희귀 샘플을 먼저 분류한 뒤, 선정된 샘플에 대해 depth_map과 .fo3d를 결합해 3D 검증을 수행하면 효율적인 데이터 선정과 모델 평가가 가능하다.

CLIP Embeddings

— 이미지와 텍스트를 같은 벡터 공간으로 매핑하는 방식으로, 입력 이미지를 고정 길이 벡터로 변환해 유사도 검색과 분류에 사용한다. 본 게시물에서는 각 카메라 슬라이스에 대해 2048차원 벡터로 저장된 CLIP 계열 임베딩이 유사도 검색과 시각화의 기초 표현으로 활용됐다. 임베딩은 최근접 이웃 검색을 통해 장면 유사성 판단과 드문 시나리오 탐지에 직접적으로 기여한다.

UMAP

— 고차원 임베딩을 2차원 또는 저차원으로 효율적으로 투영하는 비선형 차원 축소 기법으로, 지역적 구조 보존에 중점을 둔다. 원문에서는 각 슬라이스별로 UMAP 2D 플롯을 생성해 클립들의 군집과 희소 패턴을 시각적으로 식별하는 데 사용됐다. 시각화 결과는 유사 시나리오 그룹화와 대표성 평가를 직관적으로 지원한다.

Representativeness Score

— 데이터 클립이 해당 시나리오 군집을 얼마나 전형적으로 대표하는지를 정량화한 지표로, 군집 중심과의 거리나 이웃 밀도 기반으로 산출될 수 있다. 게시물에서는 대표성 점수를 통해 전형적인 장면과 희귀 장면을 구분하며 데이터 구성 및 샘플링 결정에 활용되었다. 이 점수는 데이터 선택과 모델 평가에서 샘플 가중치 부여의 근거로 쓰일 수 있다.

Point-cloud .fo3d

— 3D 장면 재구성을 위한 포인트 클라우드 형식으로, 전방 클립으로부터 복원한 점군 데이터와 메타정보를 포함한다. 본 게시물에서는 VGGT-Omega를 통해 복원된 .fo3d 포맷 파일이 제공되어 카메라 포즈와 프레임별 깊이 맵과 연계된 3차원 분석이 가능했다. 포인트클라우드는 장면 기하학 검증과 센서 기반 알고리즘 개발에 직접적인 근거 자료로 사용된다.

Depth Map

— 각 프레임 픽셀 단위로 거리 정보를 표현한 2차원 행렬로, 장면의 상대적 거리와 구조를 나타낸다. 원문에서는 전방 슬라이스의 프레임별 depth_map 히트맵이 포함되어 2D 이미지와 3D 포인트클라우드를 결합한 분석이 가능했다. 깊이 정보는 객체 거리 추정, 주행 궤적 예측, 합성 데이터 정합성 검사에 활용된다.