基于假阳性采样的数据增强以提升 3D 目标检测精度
计算机视觉与模式识别
2024-05-21 v3 机器学习
摘要
最近的研究集中于提升 3D 目标检测模型的性能。在各种方法中，真值采样已被提出作为一种增强技术，以应对真值数据有限带来的挑战。然而，真值采样存在一个固有问题，即其倾向于增加假阳性。因此，本研究旨在克服真值采样的局限性，并通过开发一种名为假阳性采样的新增强技术来提升 3D 目标检测模型的性能。假阳性采样涉及利用模型预测中被识别为假阳性的点云对模型进行重新训练。我们提出了一种同时利用真值和假阳性采样的算法，以及构建假阳性样本数据库的算法。此外，我们分析了假阳性采样带来性能提升背后的原理。我们的实验表明，利用假阳性采样的模型显示出假阳性的减少，并展现出改进的目标检测性能。在 KITTI 和 Waymo Open 数据集上，采用假阳性采样的模型大幅超越了基线模型。
引用
@article{arxiv.2403.02639,
title = {False Positive Sampling-based Data Augmentation for Enhanced 3D Object Detection Accuracy},
author = {Jiyong Oh and Junhaeng Lee and Woongchan Byun and Minsang Kong and Sang Hun Lee},
journal= {arXiv preprint arXiv:2403.02639},
year = {2024}
}