물체 인식은 자율 주행과 로봇 내비게이션의 기초입니다. 2차원 이미지의 정보 부족, 3차원 포인트 클라우드 데이터의 방대함, 밀도 불균일성, 낮은 검출 정확도 등의 문제를 해결하기 위해 본 논문에서는 딥러닝을 기반으로 2차원 이미지와 3차원 포인트 클라우드를 융합한 물체 인식 네트워크를 제안합니다. 계산량을 줄이기 위해 논문에서는 먼저 2차원 이미지 검출기가 생성한 검출 박스에 해당하는 절단뿔로 원본 포인트 클라우드를 필터링합니다. 포인트 클라우드 밀도 불균일 문제를 해결하기 위해 일반화 허프 변환 기반의 개선된 투표 모델 네트워크를 제안하여 다중 스케일 특징 추출을 수행합니다. 마지막으로 2D DIOU(거리 겹침율) 손실 함수를 3D 공간의 N3D_DIOU(Normal 3 Dimensional DIOU) 손실 함수로 확장하여 생성 박스와 목표 박스간의 일관성을 높임으로써 포인트 클라우드 검출 정확도를 향상시켰습니다. KITTI 데이터셋에서 수행한 다수의 실험 결과, 기존 방법과 비교해 본 논문의 알고리즘은 자동차 3D 검출 정확도를 0.71% 향상시켰고, 탑 뷰 검출 정확도는 7.28% 향상되어 좋은 성과를 얻었습니다.

물체 인식; 2차원 이미지; 3차원 포인트 클라우드; 3D DIOU; 특징 융합