Apr, 2020

基于 LiDAR 的三维目标检测的数据增强定量化

PDF
TL;DR本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。
data augmentationlidar3d object detectionkitti datasetglobal and local augmentation techniques
发现论文，激发创造
  • Real3D-Aug: 3D 检测和分割的点云增强方法 —— 通过放置真实带有遮挡处理的物体

    本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

    Jun, 2022

  • 基于部件的点云三维物体检测数据增强

    本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

    Jul, 2020

  • 增强 NeRF-based Pseudo-LiDAR 点云以解决类别不平衡问题

    通过生成伪 LiDAR 点云并进行对象级领域对齐和地图信息的上下文感知放置，我们提出了一种名为 PGT-Aug 的方法，用于处理典型的由实际数据采集引起的类别不平衡问题。我们在多个基准数据集上进行了广泛实验证明了我们方法的优越性和通用性，尤其是在由不同 LiDAR 配置捕获的领域差异较大的数据集上。

    Mar, 2024

  • D-Aug: 提升动态激光雷达场景的数据增强

    提出了一种适用于动态场景的 LiDAR 数据增强方法 D-Aug，该方法通过提取对象并将其插入动态场景，考虑这些对象在连续帧之间的连续性，并采用参考引导方法实现无缝插入动态场景，同时还提出了像素级道路识别策略来有效确定适合的插入位置，通过与不同的 3D 检测和跟踪方法在 nuScenes 数据集上进行验证，实验证明了 D-Aug 方法的优越性。

    Apr, 2024

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • 深度学习中点云数据增强的进展：一项调查

    该研究综述了深度学习在点云处理中的应用，探讨了数据增强方法，并对其进行了综合评估和分类，以帮助研究人员全面了解点云数据增强的现状，并推动其广泛应用和发展。

    Aug, 2023

  • 目标检测数据增强策略的学习

    本研究研究了数据增强对目标检测的影响和作用，探究了深度学习模型训练中利用学习的特殊数据增强策略来优化模型的表现，并在 COCO 数据集上证明了其有效性，最终提高了 50.7 mAP 的检测精度。

    Jun, 2019

  • PillarNeXt: 针对 LiDAR 点云的 3D 物体检测重新思考网络设计

    本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计，通过扩大感受野等方法取得了显著提升，在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。

    May, 2023

  • 三维点云分类和分割的测试时间数据增强

    本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。

    Nov, 2023

  • LiDAR 语义分割的即时域增强

    本文提出一种快速、灵活的 LiDAR 数据增强方法 LiDomAug，在语义分割任务中结合了学习方法，使得算法能够更好地适应不同规格的 LiDAR 传感器，从而提高了领域自适应能力，并在 SemanticKITTI 和 nuScenes 数据集上取得了最新的领域自适应性能，同时提出了适用于多种 LiDAR 配置的无传感器模型。

    Mar, 2023