3D 객체 검출은 자율주행 및 체현 지능 등 분야에서 널리 활용되고 있으나, 장면 내 약한 특징 객체(예: 멀리 있거나 작거나 가려진 객체)에 대해 구별력이 낮고 검출이 어려운 문제를 가지고 있다. 이를 해결하기 위해 본 논문에서는 국부 문맥 강화 기반의 빠른 3D 약한 특징 객체 검출 방법을 제안한다. 먼저, 약한 특징 객체의 특징 표현이 희소한 문제를 해결하기 위해 국부 희소 특징 강화 모듈(Local Sparse Feature Enhancement Module, LSFE)을 제안하였으며, 국부 공간 위치의 특징 가중치를 적응적으로 조절하여 희소 특징의 표현 능력을 향상시키고 모델의 희소 특징에 대한 민감도를 높인다. 둘째, 약한 특징 객체가 배경 간섭에 취약한 문제를 해결하기 위해 다중 스케일 문맥 학습 모듈(Multi Scale Context Learning Module, MSCL)을 제안하였으며, 공간 및 채널 차원의 주의 메커니즘을 결합하여 다중 스케일 공간 문맥 정보를 획득하고 배경 간섭을 억제한다. 마지막으로, 객체의 저층 특징을 더 잘 활용하기 위해 네트워크 검출 헤드 구조에 고해상도 특징 층을 추가하여 약한 특징 객체의 세부 인지 능력을 강화하였다. KITTI 데이터셋에서의 실험 결과, 본 방법은 기준 방법에 비해 약한 특징 객체 검출 정확도를 크게 향상시켰으며, 보행자 카테고리의 mAP가 12.78%, 자전거 이용자 카테고리의 mAP가 2.69%, 자동차 카테고리의 mAP가 6.84% 향상되었다. 본 방법은 높은 정확도의 검출을 실시간 추론 속도를 유지하면서 달성하여 복잡한 장면에서의 3D 객체 검출을 위한 효과적인 해결책을 제공한다.

자율주행;포인트 클라우드 데이터;3D 객체 검출;약한 특징 객체 검출;국부 문맥 학습