초록
본 논문에서는 원시 포인트 클라우드에서 3D 객체를 감지하기 위한 PointRCNN을 제안합니다. 전체 프레임워크는 두 단계로 구성되며, 1단계는 하향식 3D 제안 생성, 2단계는 정규 좌표에서 제안을 세부화하여 최종 감지 결과를 얻는 것입니다. 기존 방법들이 RGB 이미지에서 제안을 생성하거나 포인트 클라우드를 상공도나 복셀로 투영하는 것과 달리, 본 연구의 1단계 서브네트워크는 전체 장면의 포인트 클라우드를 전경 포인트와 배경으로 분할하여 하향식으로 소수의 고품질 3D 제안을 직접 생성합니다. 2단계 서브네트워크는 각 제안의 풀링된 포인트들을 정규 좌표로 변환하여 더 나은 국소 공간 특성을 학습하며, 이는 1단계에서 학습된 각 포인트의 전역 의미론적 특성과 결합되어 정확한 박스 세부화 및 신뢰도 예측을 수행합니다. KITTI 데이터셋의 3D 감지 벤치마크에 대한 광범위한 실험 결과, 본 연구가 입력으로 오직 포인트 클라우드만 사용함에도 불구하고 기존 최신 방법들보다 뚜렷한 마진으로 우수한 성능을 보임을 확인할 수 있었습니다. 코드는 https://github.com/sshaoshuai/PointRCNN 에서 제공됩니다.