Mar, 2024

基于假阳性采样的数据增强方法提升三维物体检测准确性

PDF
TL;DR提出了一种新的增强技术 —— 假阳性采样，目的在于克服底标采样的局限性，通过使用被模型预测为假阳性的点云来对模型进行再训练，进而改善 3D 对象检测模型的性能。该技术结合底标采样和假阳性采样的原理，应用课程学习的概念来制定采样策略，实验结果表明，采用假阳性采样的模型减少了假阳性，并显著提升了对象检测性能，相比基准模型在 KITTI 和 Waymo Open 数据集上有了较大的优势。
3d object detection modelsground-truth samplingfalse-positive samplingaugmentation techniqueperformance improvement
发现论文，激发创造
  • SurfaceAug: 闭合多模式基准采样差距

    通过 SurfaceAug，我们提出了一种新颖的地面真值采样算法，在多模态目标检测中实现了新的性能突破，超越了现有方法，为多模态数据增强提供了有力支持。

    Dec, 2023

  • 面向真实世界干扰的点云识别的样本自适应增强

    在 3D 视觉领域，我们提出了一种基于样本结构的自适应转换方法，名为 AdaptPoint，用于处理潜在的破坏，通过包括预测变形参数和生成逐点蒙版在内的模拟破坏，并通过鉴别器防止生成过度破坏。实验结果表明，我们的方法在多个破坏评估中取得了最先进的结果。

    Sep, 2023

  • 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

  • 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

  • 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

  • 利用预训练的 3D 物体检测模型实现快速标签生成

    本文介绍了一种新的标注方法，将人类监督与预训练的神经网络相结合，生成每个实例的三维点云分割，三维边界框和类别注释，以减少训练自动驾驶的 3D 物体检测器所需的任务复杂性和注释人员所需的任务切换量，实验结果表明，该方法相比传统方法减少了 30 倍人工标注时间。

    Jul, 2018

  • 增强的三维对抗样本用于鲁棒性领域外预测

    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

  • 基于 LiDAR 的三维目标检测的数据增强定量化

    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

  • 鲁棒目标检测的软采样

    探究了在缺失标注情况下，目标检测的鲁棒性。实验显示通过 Soft Sampling 方法对梯度进行加权能够提高检测成功率，尤其在真实数据集中的表现优于标准检测基线。

    Jun, 2018

  • 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