用于鲁棒域外预测的 3D 对抗增强
计算机视觉与模式识别
2023-10-19 v1 机器学习
机器人学
摘要
由于真实世界训练数据集无法恰当采样底层数据分布的长尾，极端情况与稀有域外样本会严重阻碍最先进模型的性能。对于密集任务（如 3D 语义分割）该问题更为严重，其中非标准物体的点可能被自信地错误关联到错误类别。本工作中，我们聚焦于提升对域外数据的泛化能力。我们通过用对抗样本增强训练集来实现这一点。首先，我们学习一组以对抗方式形变物体的向量。为防止对抗样本偏离现有数据分布过远，我们通过一系列约束保持其合理性，确保传感器感知与形状平滑性。然后，我们在训练模型时将学到的与样本无关的向量应用于可用物体，进行对抗增强。我们在 KITTI、Waymo 和 CrashD 的 3D 目标检测数据，以及 SemanticKITTI、Waymo 和 nuScenes 的 3D 语义分割数据上进行了多场景广泛实验。尽管仅在标准单一数据集上训练，我们的方法显著提升了 3D 目标检测与 3D 语义分割方法对域外数据的鲁棒性与泛化能力。
引用
@article{arxiv.2308.15479,
title = {3D Adversarial Augmentations for Robust Out-of-Domain Predictions},
author = {Alexander Lehner and Stefano Gasperini and Alvaro Marcos-Ramiro and Michael Schmidt and Nassir Navab and Benjamin Busam and Federico Tombari},
journal= {arXiv preprint arXiv:2308.15479},
year = {2023}
}
备注
37 pages, 12 figures