Geometric Feature-Based Adaptive Voxel Sampling Technique for LiDAR-Based 3D Object Detection

본 논문은 LiDAR 기반 3차원 객체 검출에서 제한된 복셀 수 제약 하에 검출에 유효한 복셀을 선별하기 위한 기하학 특성 기반 적응형 복셀 샘플링 기법을 제안한다. 제안 방법은 복셀 내부 포인트 분포와 인접 복셀 간 국소 구조 관계를 바탕으로 여섯 가지 기하학 특성을 정량화한다. 이후 각 특성을 정규화하고 가중 결합하여 후보 복셀의 중요도 점수를 산출하며, 동일한 최종 보존 복셀 수 조건에서 점수가 높은 상위 복셀만을 선택하여 검출기의 입력으로 사용한다. 이를 통해 객체 경계와 구조 정보를 더 잘 보존하는 입력 복셀 집합을 구성하고자 하였다. 제안한 방법의 성능을 검증하기 위하여 PV-RCNN과 KITTI 데이터셋을 활용하여 실험을 수행하였다. 데이터는 학습 세트 3712개, 검증 세트 3769개 장면으로 구성되며 주요 평가 지표로는 KITTI의 Overall 3D AP11 moderate를 사용하고 실용성 분석을 위해 프레임당 평균 추론 시간을 함께 측정하였다. Overall 3D AP11 moderate는 Car, Pedestrian, Cyclist의 세 클래스를 대상으로 moderate 난이도에서의 3차원 검출 성능을 균형 있게 비교할 수 있으며, KITTI 환경에서 대표 성능 지표로 널리 사용된다는 장점이 있다. 반복 실험의 평균 결과에 따르면, 후보 복셀 수 상한을 (48K, 100K)으로 설정한 경우 Overall 3D AP11 moderate는 72.15로 나타나 기준 모델의 70.56 대비 1.59 향상되었다. 또한 평균 추론 시간은 기준 모델 79.48ms, 제안 방법 81.74ms로 측정되어 약 2.26ms의 제한적인 시간 증가만으로 성능 향상을 달성하였다. 추가로 SECOND, PointPillars, Part-A2에 대한 확장 실험에서도 각각 3.18, 0.71, 0.34의 성능 향상이 확인되어, 제안 방법이 특정 검출기에 한정되지 않고 다른 복셀 기반 검출기로도 확장될 수 있음을 보였다.