カメラ画像とradar観測（radar frequency image）を入力として3D物体検出を行う。学習には正解3D Bounding Boxと(画像の深度推定の正解として使うための)Lidar点群が必要。 画像に対して深度推定と2D物体検出を行い、物体がありそうなピクセルの3次元位置を求める。radar点は高さをセンサと同じ高さと仮定して同じ空間に配置し、その点群を使って3D物体検出を行う。