DR.CPO：通过迭代构建、随机放置与HPR遮挡实现的多样化真实三维增强
计算机视觉与模式识别
2023-09-01 v4 人工智能
机器学习
机器人学
摘要
在自动驾驶中，数据增强常用于改进三维目标检测。最基本的方法包括插入复制的物体以及对整个训练帧进行旋转和缩放。也已开发了众多变体。然而，与真实世界可能性的多样性相比，现有方法相当有限。在本工作中，我们开发了一种多样化且真实的增强方法，能够灵活构建整体物体、自由定位并旋转物体，并相应地施加自遮挡与外部遮挡。为提高整体物体构建的多样性，我们开发了一种迭代方法，将真实世界中观测到的多个物体随机组合为单个物体。与现有增强方法不同，由于可在最后一步将适当的遮挡反映到整体物体上，所构建的物体可在训练帧中随机定位与旋转。最后，利用计算高效的隐藏点去除（HPR）算法，在局部物体层面施加适当的自遮挡，在全局帧层面施加外部遮挡。HPR还用于根据物体距LiDAR的距离自适应控制每个物体的点密度。实验结果表明，所提出的DR.CPO算法具有数据高效性和模型无关性，且不带来任何计算开销。此外，与KITTI数据集已知的最佳三维检测结果相比，DR.CPO可将mAP性能提升2.08%。代码见 https://github.com/SNU-DRL/DRCPO.git
引用
@article{arxiv.2303.12743,
title = {DR.CPO: Diversified and Realistic 3D Augmentation via Iterative Construction, Random Placement, and HPR Occlusion},
author = {Jungwook Shin and Jaeill Kim and Kyungeun Lee and Hyunghun Cho and Wonjong Rhee},
journal= {arXiv preprint arXiv:2303.12743},
year = {2023}
}