GM-APD 라이다는 단일 광자 탐지 감도를 갖추어 시스템 크기와 전력 소모를 크게 줄였으나, 픽셀 수 제한으로 인해 장거리 작은 목표물의 선명한 외곽을 얻기 어려워 목표 탐지율이 낮습니다. 이에 대응하여 강도 영상과 거리 영상을 기반으로 한 다단계 처리 소형 목표 심층 학습 탐지 알고리즘을 제안하여 강도 영상과 포인트 클라우드 특징 정보 및 상호 연관성을 충분히 활용해 소형 목표 탐지 확률을 높였습니다. 특성 피라미드 네트워크를 개선하여 수용 영역 모듈과 주의 메커니즘 모듈을 특징 추출 네트워크와 결합해 강도 영상의 초기 선별 정확도를 향상시키고, 후보 영역 내에서 강도 영상과 거리 영상을 강도 정보를 포함한 4차원 포인트 클라우드로 융합합니다. 이후 동적 그래프 컨볼루션 네트워크를 사용해 후보 영역 내 목표를 2차 탐지하고 포인트 클라우드 정보를 활용해 후보 상자 내 목표를 추가로 필터링합니다. GM-APD 라이다 장거리 차량 데이터셋 테스트 결과, 네트워크의 탐지 정확도는 98.8%에 달했으며, 차량 구조 불완전, 차량 에코 약화, 배경에 강한 반사광 점 등 복잡한 장면에 대해 뛰어난 강인성을 보였습니다. SSD, YOLOv5 등 최신 목표 탐지 네트워크와 비교했을 때 탐지 정확도가 각각 3.1% 및 2.5% 향상되었으며, 해당 알고리즘은 라이다 약소형 목표 탐지 및 인식에 대한 실현 가능한 해결책을 제공합니다.

라이다; 목표 탐지; 수용 영역; 주의 메커니즘; 동적 그래프 컨볼루션 신경망