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

采用鲁棒的数据增强技术和深度学习架构，通过提出一种新的数据增强技术、采用混合任务级联（HTC）框架和 CBNetV2 作为骨干架构以及引入 Stochastic Weight Averaging（SWA）训练策略，该论文在篮球场景中分割人体主体方面取得了显著的遮挡得分（OM）。

Oct, 2023

通过在复杂的室内实景场景中自动插入虚拟对象的物理可信的室内三维物体插入方法，本研究展示了该方法作为生成性数据增强技术的应用，显著提高了单目三维物体检测等分辨性下游任务的性能，并取得了最先进的成果。

Dec, 2023

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

利用 LiDAR 技术进行 3D 目标检测中，我们提出了双扰动优化的方法 (TTA-3OD) 来解决测试阶段适应性问题，通过最小化锐度来保证模型对数据细微变化具有弹性，从而增强了适应性过程的泛化性能。通过引入对抗扰动来更好地模拟嘈杂的测试环境，进一步捕捉测试点云的固有变异性。在三类迁移任务上进行的大量实验证明，所提方法显著超过了先前的最先进方法，在 Waymo 到 KITTI 的迁移任务中，在 3D 精确率 (AP) 上比最具竞争力的基准方法高 57.72％，接近完全监督方法的上限的 91％。

Jun, 2024

本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

Aug, 2017

本文介绍了第一次自动设计 3D 目标检测数据增强策略的尝试，通过学习优化增强策略，将搜索空间缩小并采用前一次迭代中发现的最佳参数，使 PPBA 算法在 KITTI 3D 检测测试集上大幅优化了 StarNet 检测器的适度难度汽车、行人和骑车人类别，超过了当前所有最先进的单级检测模型。在 Waymo 开放数据集上的额外实验表明，PPBA 继续有效地提高 StarNet 和 PointPillars 检测器在比 KITTI 大 20 倍的数据集上的表现。

Apr, 2020

该研究提出了一种基于图卷积和 transformers 的 Spatio-temporal 3D HPE 模型，通过综合利用时空特征和合成的遮挡来处理遮挡，实验证明该方法比现有的遮挡感知方法更有效，并且在没有任何遮挡处理机制时，现有的 3D HPE 方法在遇到遮挡时性能会显著下降。

Apr, 2023

通过对实际训练数据集进行改进，我们提出了一种使用对抗性示例来增强模型对领域外数据的泛化能力的方法，通过学习和应用一组矢量来扭曲对象并进行对抗性增强，从而显著提高了三维对象检测和三维语义分割方法对领域外数据的鲁棒性和泛化能力。

Aug, 2023

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。

Apr, 2020