3D 인식 작업에서 데이터 수집 및 주석 작업의 어려움으로 인해, 기존 데이터를 혼합하여 다양한 학습 샘플을 생성하는 혼합 샘플 데이터 증강 (MSDA) 기법이 연구되어 왔습니다. 본 논문에서는 기존 MSDA 기법을 레이더 점 구름에 적용하는 가능성을 탐구하고, 레이더의 불규칙한 각도 분포, 다중 레이더 설정에서의 단일 센서 극 좌표 레이아웃과의 편차, 점 희소성 등의 문제점을 파악했습니다. 이러한 문제를 해결하기 위해, 클래스 레이블을 기반으로 3D 점 구름에서 필러 레벨에서 MixUp을 적용하는 새로운 MSDA 방법인 Class-Aware PillarMix (CAPMix)를 제안합니다. CAPMix는 각 필러에 독립적인 비율을 할당하여 샘플 다양성을 높이고, 클래스별 분포를 사용하여 밀도가 높은 객체 (예: 대형 차량)의 경우 다른 샘플의 점을 더 많이 혼합하고, 희소 객체 (예: 보행자)의 경우 원래 샘플의 점을 더 많이 샘플링합니다. 실험 결과는 CAPMix가 두 개의 데이터 세트에서 기존 MSDA 기법보다 뛰어난 성능을 보임을 나타냅니다.
