레이저 레이다 포인트 클라우드 데이터를 기반으로 한 3차원 객체 탐지 알고리즘은 데이터 양이 많아 속도와 정확도의 균형을 이루기 어렵다. 본 논문은 개선된 3차원 객체 탐지 알고리즘인 Pillar RCNN을 제안한다. 먼저 객체 포인트 클라우드 공간을 복셀 그리드로 분할하고, 희소 컨볼루션 기반의 3차원 백본 네트워크를 사용하여 복셀 그리드를 점차 기둥 복셀로 변환하여 3차원 정보를 조밀한 2차원 정보로 양자화한다. 그 다음 2차원 백본 네트워크를 사용해 특징을 추출하고, 3차원 백본 네트워크의 다양한 스케일 복셀 특징과 2차원 백본 네트워크를 다중 스케일 복셀 특징 집계 모듈로 특징 연결하며, 손실 함수를 통해 탐지 박스를 더욱 정교하게 다듬는다. 본 알고리즘은 KITTI 공개 데이터셋에서 테스트되었으며, RTX 2080Ti 하드웨어 플랫폼에서 인식 속도는 2.48ms이다. PointPillars 기준 알고리즘과 비교했을 때 자동차, 보행자, 자전거 세 가지 카테고리의 탐지 성능이 향상되었고, 특히 자전거 중간 난이도 탐지 성능은 13.34%, 어려운 난이도 자동차 탐지 성능은 8.85% 향상되었으며, 다른 카테고리의 탐지 정확도 지표도 개선되어 속도와 정확도의 균형을 달성했다.

컴퓨터 비전; 3차원 객체 탐지; 복셀; 희소 컨볼루션; 특징 집계