특징 다음에는 무엇을 출력할지 정한다
M13.03의 특징 벡터 자체는 장애물 상자가 아니다. 3D Object Detection은 관측에 있는 물체의 클래스·점수와 공간 상자를 추정한다. 이 단위의 상자는 중심(x,y,z)m·길이/너비/높이 m·수직 축 회전 yaw rad로 정한다. 실제 구현마다 길이 축·회전 양의 방향·바닥/중심 기준이 다르므로 차원 7개만 보고 의미를 추정하지 않는다. 센서 프레임 상자를 map 프레임 상자로 쓰려면 해당 시각의 변환이 필요하다.
그림 M13.04-1. 각 칸은 서로 다른 역할/근거다. 나란히 비교할 항목이며 위아래가 시간 순서를 뜻하지 않는다. 직접 제작한 개념도이며 본문의 조건과 함께 읽는다.
Semantic Segmentation은 각 유효점에 도로·차량 등 의미 클래스를 붙인다. Instance Segmentation은 같은 차량 클래스 안에서도 서로 다른 차량을 구분한다. 점 A/B가 둘 다 차량이라는 출력만으로 서로 다른 두 차량의 ID를 알 수 없다. 검출 상자 하나에 배경 점이 들어갈 수 있고, 가려진 물체의 전체 크기는 관측된 점의 외곽보다 클 수 있다. 상자·표면 점·물체 실체를 구분한다.
그림 M13.04-2. 별도 직육면체 개념도다. 점별 분할 라벨과 물체 단위의 중심·세 크기·방향을 구별한다. 원근 투영된 그림의 픽셀 길이로 실제 3D 크기/IoU를 계산하지 않는다. 직접 제작.
학습 목표와 후처리의 역할
검출 head는 위치/크기/방향·클래스 등을 예측하며 학습에서는 정답과 예 측의 대응 규칙과 손실 가중치가 필요하다. 점별 분할은 유효 라벨 마스크를 적용한다. 라벨 없는 점을 모두 배경 정답으로 넣으면 잘못된 감독이 생긴다. 방향은 주기적이므로 179도와 −179 도를 단순 뺄셈하면 358도가 되지만 실제 작은 각도 차이는 2도다. 각도 표현과 오차 정의를 함께 고정한다.
NMS(Non-Maximum Suppression)는 높은 점수 상자를 먼저 남기고 겹침이 큰 중복 후보를 제거하는 후처리다. 동일 물체의 중복을 줄일 수 있지만 가까운 서로 다른 물체를 잘못 지울 수도 있다. 점수 문턱과 NMS 겹침 문턱은 역할이 다르다. confidence0.9를 성공 확률 90%라고 읽으려면 별도의 보정 근거가 필요하다.
손으로 계산하는 3D IoU
IoU는 교집합 부피를 합 집합 부피로 나눈 비율이다. 이 예제는 두 상자가 같은 축 방향이고 yaw0 인 특별한 경우다. 회전 상자의 교차 부피를 축별 최소/최대만으로 계산하지 않는다. 정답 A의 범위는 x0~2,y0~2,z0~2m이며 부피 8m³다. 예측 B는 x1~3,y0~2,z0~2m 라 역시 8m³다. 겹침은 x1~2의 폭 1m와 y/z 각 2m여서 4m³, 합집합 8+8−4=12m³, IoU=1/3이다.
자체 평가 규칙을 같은 클래스·IoU≥0.5·점수 내림 차 순의 일대일 매칭이라고 정하면 B는 이 정답과 매칭되지 않는다. 예측 1개와 정답 1개만 있는 경우 FP1/FN1/TP0이다. 겹쳤다는 사실만으로 TP가 되지 않는다. 반대로 동일 정답에 정확히 맞는 상자를 2개 출력하면 하나만 TP이고 나머지는 중복 FP다. 한 정답을 두 번 맞혔다고 재현율을 2로 만들지 않는다.
점의 지표와 물체의 지표는 다르다
차량 클래스의 점별 TP6/FP2/FN4라면 정 밀도 6/8=0.75, 재현율 6/10=0.6, 클래스 IoU6/(6+2+4)=0.5다. 여기서 TP는 점 개수다. 앞 상자 지표의 물체 개수와 분모를 섞지 않는다. ignore 라벨은 공개한 규칙에 따라 분모에서 제외하고 클래스가 전혀 없는 구간에서 0/0을 임의의 완벽 점수로 바꾸지 않는다.
AP는 confidence 문턱을 바꾸면서 얻는 정밀도/재현율 관계를 정해진 규약으로 요약한다. 한 문턱의 precision을 AP라고 부르지 않는다. 데이터 셋마다 클래스·거리 제한·매칭·보 간 규약이 달라 수치만 직접 비교할 수 없다. 이 단원은 IoU와 한 문턱의 작은 판정을 다루며 공식 벤치마크 AP를 재현했다고 주장하지 않는다.
희소성과 불확실성을 보고한다
멀리 있는 물체는 적은 점으로 관측되고 가림은 상자 크기/방향 추정을 모호하게 만든다. 전체 평균 외에 거리·가림·클래스·물체 크기별 정답 수와 누락 수를 남긴다. 학습/평가 시퀀스와 라벨 정책·좌표 축·시각·모델/전처리 버전을 고정한다. 드문 장애물을 삭제해 평균이 좋아지는 실험은 실제 과제에서 실패할 수 있다.
검출을 제어에 넘길 때는 기준 프레임/취득 시각·유효 기간·관측 범위와 미검출 구간을 전달한다. 빈 검출 목록이 장애물 없음의 증명은 아니다. 원래 관측이 유효했는지 먼저 확인하고 보수적인 중단/보충 관측 조건을 정한다. M14.05는 다른 모 달의 특징이나 판단을 어디에서 합칠지 다루며 3D 출력 계약은 그대로 유지한다.