基于类别感知的柱状混合（Class-Aware PillarMix）：雷达点云数据增强的3D目标检测
计算机视觉与模式识别
2025-11-20 v3 人工智能
机器学习
机器人学
摘要
由于3D感知任务数据收集和标注需要大量工作，混合样本数据增强（MSDA）已广泛用于通过混合现有数据来生成多样化训练样本。最近许多MSDA技术已用于点云，但主要针对LiDAR数据，对于雷达点云的应用仍鲜有探索。本文考察了将现有MSDA方法应用于雷达点云的可行性，并识别了若干挑战。这些障碍源于雷达的不规则角度分布、多雷达组合中偏离单传感器极坐标布局的偏差，以及点稀疏。为解决这些问题，我们提出了类别感知柱状混合（Class-Aware PillarMix，CAPMix）方法，该方法在3D点云中以柱状面积应用MixUp技术，依据类别标签进行引导。不同于依赖单一混合比例覆盖整个样本的技术，CAPMix为每个柱状面积分配独立比例，从而提升样本多样性。为考虑不同类别的密度，我们采用类别特定分布：对于稠密目标（如大型车辆），比例倾向于优先选择来自另一个样本的点；对于稀疏目标（如行人），则更多采样原始样本的点。这种类别感知的混合方式保留关键细节，为每个样本增添新信息，从而生成更具多样性的训练数据。实验结果表明，我们的方法不仅显著提升性能，还在两个数据集（Bosch Street和K-Radar）上超越了现有的MSDA方法。我们认为，这种简单而有效的方法将激发进一步的研究，以探索雷达数据的MSDA技术。
引用
@article{arxiv.2503.02687,
title = {Class-Aware PillarMix: Can Mixed Sample Data Augmentation Enhance 3D Object Detection with Radar Point Clouds?},
author = {Miao Zhang and Sherif Abdulatif and Benedikt Loesch and Marco Altmann and Bin Yang},
journal= {arXiv preprint arXiv:2503.02687},
year = {2025}
}
备注
8 pages, 6 figures, 4 tables, accepted to 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Code: https://github.com/boschresearch/CAPMIX