PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27671v1cs.CV

SGDet3D++: 4D 레이더와 카메라 3D 객체 검출을 위한 기하학 기반 의미론

SGDet3D++: Geometry-Grounded Semantics for 4D Radar and Camera 3D Object Detection

4D 레이더는 장거리 기하학과 방사 방향(radial) 운동으로 조밀한 이미지 의미 정보를 보완하지만, 기존 레이더–카메라 검출기는 대체로 모달리티를 어디에(where) 정렬할지만 다루고, 어떤 증거가 진화하는 객체 가설을 지지하는지(whether)는 암묵적으로 남겨 둔다. 이미지 토큰은 가림체(occluder)를 설명할 수 있고, 인근 레이더 반환(return)은 다른 객체에 속할 수 있으며, 자세 정렬(pose-aligned) 메모리 슬롯은 양립하지 않는 운동 정보를 담을 수 있다. 본 연구는 후보 접근과 증거 사용을 분리하는 가설 조건 증거 그라운딩(hypothesis-conditioned evidence grounding)을 제안한다. 의미·기하·시간 증거는 해당 쿼리를 갱신하기 전에 진화하는 3D 상태에 의해 필터링되거나 조건화된다. SGDet3D++는 앵커와 일관된 레이더 지원을 풀링하여 가변(deformable) 이미지 검색을 조건화하는 AGR(Anchor-Grounded Semantic Retrieval), 개별 연관 반환을 어텐션(attention)으로 집계하는 GCR(Geometry-Consistent Anchor Refinement), 현재 방사 방향 운동이 이력과 모순될 때만 이력을 교체하는 DVC(Doppler-Verified Correspondence)를 통해 이 원칙을 구현한다. SGDet3D++는 OmniHD-Scenes에서 비교 대상 중 최강 방법 대비 mAP 3.82, ODS 6.82만큼, ManTruckScenes에서는 mAP 6.82, NDS 9.22만큼 개선했으며, TJ4DRadSet 테스트 비교에서도 나열된 방법들 가운데 최고 성능을 기록했다. 메커니즘 대상 평가에서 AGR은 모든 투영 가림(projected-occlusion) 구간에서 strict AP를 향상시켰고, yaw 정렬 박스 게이트는 target-return 순도를 29.95%에서 58.87%로 높였으며, DVC는 운동 일관 이력의 96.11%를 보존하면서 모순 재현율 75.90%를 유지했다. 코드는 공개될 예정이다.

arXiv:2609.24151v1cs.CV

STAR: 엔드투엔드 인지 레이더를 향한 장면 및 태스크 인지형 4D 레이더 전처리

STAR: Scene- and Task-Aware 4D Radar Preprocessing Towards End-to-End Cognitive Radar

4차원(4D) 레이더(Radar)는 조도 변화와 악천후 조건에서도 견고함을 유지하면서 거리, 방위각, 고각 및 도플러 측정값을 제공하여 환경 인식을 위한 핵심 센서로 부상했습니다. 그러나 일정한 오경보율(CFAR) 검출과 같은 기존의 레이더 전처리 방식은 주로 신호 수준의 기준에 따라 측정값을 선택하므로, 포인트 클라우드 생성 과정에서 다운스트림 인식에 유용한 정보를 폐기할 수 있습니다. 또한 기존의 4D 레이더 인식 파이프라인은 일반적으로 레이더 데이터 처리와 다운스트림 인식을 독립적으로 최적화하므로, 태스크 목표가 전처리 단계를 직접적으로 유도하지 못합니다. 이러한 한계를 해결하기 위해 본 논문에서는 엔드투엔드 학습(training) 프레임워크와 함께 장면 및 태스크 인지형 레이더(STAR) 전처리기를 제안합니다. STAR 전처리기는 장면 컨텍스트와 다운스트림 태스크 목표를 통합하여 태스크 관련 레이더 포인트를 생성함으로써, 레이더 표현이 인식에 맞춰 직접 최적화될 수 있도록 합니다. K-Radar 벤치마크에서 제안하는 방식은 74.3 AP를 달성하여 이전 최고 수준(SOTA)보다 5.6 AP 포인트 앞서는 성능을 보였습니다. 나아가 STAR로 생성된 태스크 관련 포인트를 다양한 기존 3D 검출기에 적용했을 때 대부분의 평가 설정에서 검출 성능이 향상되었으며, 기존 전처리로 생성된 포인트 클라우드 대비 전반적으로 긍정적인 평균 이득을 얻었습니다.

arXiv:2607.09629v1cs.CV

4DR360: 4D 레이더-카메라 전체 장면 인식에서 결합 3D 검출 및 점유 예측을 위한 상태 추론

4DR360: State Reasoning for Joint 3D Detection and Occupancy Prediction in 4D Radar-Camera Full-Scene Perception

신뢰할 수 있는 자율주행은 전경 객체와 밀집 의미론적 레이아웃을 결합하는 전체 장면 인식을 필요로 한다. 최근 4D 밀리미터파 레이더가 강건하고 저비용의 센서로 부상했지만, 희박한 반환값으로 인해 포괄적인 장면 이해를 위한 레이더-카메라 융합이 필요하다. 기존 레이더-카메라 방법은 주로 검출 최적화에 집중하는 반면, 듀얼 태스크 시스템은 제한된 상호작용으로 박스와 점유를 디코딩한다. 이러한 격차를 해소하고 레이더 기반 멀티태스크 학습을 발전시키기 위해, 우리는 의미론적 점유를 최종 출력이 아닌 지속적인 장면 상태로 모델링하는 360° 전체 장면 인식을 위한 4D 레이더-카메라 프레임워크인 4DR360을 제안한다. 4DR360은 크로스-모달 상태 추론 패러다임을 따르며, 점유 상태가 거친-세밀 특징 집계를 위해 단계별로 모델링되고 전파된다. 구체적으로, 상태 가이드 BEV 향상(SBE, State-guided BEV Enhancement)은 프레임 내 BEV 표현을 강화하고, 도플러 가이드 시간적 융합(DTF, Doppler-guided Temporal Fusion)은 더 긴 시간적 범위에 걸쳐 상태 증거를 보존한다. 모델 외에도, 위성 지도 기반으로 생성된 점유 레이블로 ManTruckScenes를 확장하고, 통합된 크로스-데이터셋 검출 및 점유 프로토콜에서 OmniHD-Scenes와 결합한다. 이를 통한 실험은 하나의 레이더-카메라 멀티태스크 평가 프레임워크 아래 정확도, 강건성, 절제 연구, 그리고 효율성을 다룬다. 코드와 레이블은 논문 채택 시 공개될 예정이다.

arXiv:2607.04098v1cs.CV

Sparse4D-Radar: 4D 레이더-카메라 융합을 통한 효율적이고 강건한 서라운드뷰 3D 객체 검출 프레임워크

Sparse4D-Radar: An Efficient and Robust Framework for Surround-View 3D Object Detection via 4D Radar-Camera Fusion

최근 4D 이미징 레이더는 악천후에 대한 강건성과 대상 속도 출력 능력으로 자율주행 분야에서 큰 주목을 받고 있다. 그러나 주류 4D 레이더-카메라 융합 방법은 전방 뷰 인식만 지원하며, 서라운드뷰 감지를 위한 성숙한 솔루션이 부재하다. 이러한 파이프라인을 360° 전방위로 직접 확장하면 과도한 연산 비용이 발생하여 실제 배포에 제약이 생긴다. 이러한 한계를 극복하기 위해 본 연구는 효율적이고 강건한 서라운드뷰 다중 모달 융합 프레임워크인 Sparse4D-Radar를 제안한다. 먼저 레이더-카메라 특징을 희소 쿼리에 임베딩하는 Deformable Fusion 모듈을 설계하여 경량 기본 버전인 Sparse4D-Radar-Base를 구성한다. 나아가 위치 정확도와 모달리티 안정성을 향상시키기 위해 두 가지 전용 모듈을 추가로 도입한다: Velocity-Consistency Sampling(VCS)은 레이더 속도 단서를 활용하여 특징을 정제함으로써 움직임 인식을 가능하게 하고, Adaptive Modality Gating(AMG)은 특징 신뢰도에 따라 교차 모달 융합 가중치를 동적으로 조정한다. 모든 구성 요소를 결합하여 고정밀 검출 요구를 위한 Sparse4D-Radar-Acc를 구축한다. OmniHD-Scenes에서의 종합 실험을 통해 제안하는 방법이 최신 서라운드뷰 3D 검출 성능을 달성함을 검증한다. 기존 방법 대비 복잡한 주행 환경에서 mAP 7% 이상, ODS 10% 이상의 향상을 달성하면서 약 10 FPS로 동작하여, 검출 정확도, 환경 강건성, 추론 효율성 간의 균형을 효과적으로 실현한다. 오픈소스 코드는 https://github.com/Aiuan/Sparse4D-Radar 에서 확인할 수 있다.