본 논문은 3D 지각 과제에서 데이터 수집 및 주석에 필요한 상당한 노력으로 인해 혼합 샘플 데이터 증강(MSDA)이 기존 데이터를 혼합하여 다양한 훈련 샘플을 생성하기 위해 광범위하게 연구되어 왔다는 점을 배경으로 한다. 최근 많은 MSDA 기술이 포인트 클라우드에 대해 개발되었지만, 주로 라이다 데이터를 대상으로 하며, 레이더 포인트 클라우드에 대한 적용은 거의 탐구되지 않았다. 본 논문에서는 기존 MSDA 방법을 레이더 포인트 클라우드에 적용하는 실현 가능성을 조사하고 이러한 기술을 적용하는 데 있어 여러 가지 어려움을 확인한다. 이러한 어려움은 레이더의 불규칙한 각도 분포, 다중 레이더 설정에서 단일 센서 극좌표 레이아웃의 편차, 포인트의 희소성에서 비롯된다. 이러한 문제를 해결하기 위해, 본 논문에서는 클래스 레이블에 따라 3D 포인트 클라우드에서 필라 레벨에서 MixUp을 적용하는 새로운 MSDA 접근 방식인 Class-Aware PillarMix(CAPMix)를 제안한다. 전체 샘플에 단일 혼합 비율을 사용하는 방법과 달리, CAPMix는 각 필라에 독립적인 비율을 할당하여 샘플 다양성을 높인다. 다양한 클래스의 밀도를 고려하여 클래스별 분포를 사용하는데, 밀집된 객체(예: 대형 차량)의 경우 다른 샘플의 포인트를 선호하도록 비율을 치우치게 하고, 희소 객체(예: 보행자)의 경우 원래 샘플에서 더 많은 포인트를 샘플링한다. 이러한 클래스 인식 혼합은 중요한 세부 정보를 유지하고 새로운 정보로 각 샘플을 풍부하게 하여 궁극적으로 더 다양한 훈련 데이터를 생성한다. 실험 결과는 제안된 방법이 성능을 크게 향상시킬 뿐만 아니라 두 개의 데이터 세트(Bosch Street 및 K-Radar)에서 기존 MSDA 접근 방식보다 우수하다는 것을 보여준다. 본 논문에서는 이 간단하면서도 효과적인 접근 방식이 레이더 데이터에 대한 MSDA 기술에 대한 추가적인 조사를 촉진할 것이라고 믿는다.
