RGB-D 데이터에서 3D 객체 검출을 위한 Frustum PointNets

본 연구에서는 실내와 실외 환경에서 RGB-D 데이터를 이용한 3D 객체 검출을 다룹니다. 기존 방법들은 이미지나 3D 복셀에 초점을 맞추어 3D 데이터의 자연스러운 3D 패턴과 불변성을 가릴 수 있었지만, 우리는 RGB-D 스캔을 통해 원시 포인트 클라우드에 직접 작동합니다. 그러나 이 접근 방식의 주요 과제는 대규모 장면의 포인트 클라우드에서 객체를 효율적으로 위치 결정하는 방법(영역 제안)입니다. 우리 방법은 3D 제안에만 의존하지 않고, 성숙한 2D 객체 검출기와 고급 3D 딥 러닝을 활용하여 객체 위치를 결정함으로써 효율성과 작은 객체까지도 높은 재현률을 달성합니다. 원시 포인트 클라우드에서 직접 학습하기 때문에, 우리 방법은 강한 가림 현상이나 매우 희소한 점들 조차도 있는 경우에도 정확하게 3D 바운딩 박스를 추정할 수 있습니다. KITTI와 SUN RGB-D 3D 검출 벤치마크에서 평가한 결과, 우리 방법은 실시간 처리 능력을 갖춘同时显著超越了现有最先进方法的表现。（最后一句中的“同时显著超越了现有最先进方法的表现”在韩语中可以调整为更符合韩语表达习惯的句子，如下：）KITTI와 SUN RGB-D 3D 검출 벤치마크에서 평가한 결과, 우리 방법은 실시간 처리 능력을 유지하면서도 현존하는 최신 기술보다 크게 우수한 성능을 보였습니다.