3次元オブジェクト検出は、さまざまな分野における応用が広がるため、産業界および学術界からますます注目を集めている。本論文では、点群データにおける3次元オブジェクト検出を目的として、Point-Voxel Region-based Convolution Neural Networks（PV-RCNN）を提案する。まず、点に基づくセット抽象化とボクセルに基づくスパース畳み込みの特徴学習を深く統合する2つの新規な手順、すなわちボクセルからキーポイントへのシーン符号化およびキーポイントからグリッドへのRoI特徴抽象化を導入することで、新たな3次元検出器PV-RCNNを構築した。次に、より効率的かつ高精度な3次元オブジェクト検出を実現する高度なフレームワークPV-RCNN++を提案した。このフレームワークは、2つの主要な改良点から構成される：より代表的なキーポイントを効率的に生成するためのセクタ化されたプロポーザル中心サンプリング、および少量のリソース消費で局所的な点特徴をより効果的に集約するVectorPool集約手法。これらの戦略により、PV-RCNN++はPV-RCNNに比べて約3倍高速化しつつ、より優れた性能を達成した。実験の結果、提案するPV-RCNN++フレームワークは、大規模かつ競争の激しいWaymo Open Datasetにおいて、150m × 150mの検出範囲で10 FPSの推論速度を達成し、最先端の3次元検出性能を実現した。