通过渐进式基于种群的增强改进三维目标检测
计算机视觉与模式识别
2020-07-20 v2
摘要
数据增强已广泛用于三维点云中的目标检测。然而，以往所有相关努力都聚焦于为特定架构手动设计专门的数据增强方法。本工作中，我们首次尝试自动化设计用于三维目标检测的数据增强策略。我们引入渐进式基于种群的增强（Progressive Population Based Augmentation, PPBA）算法，其通过缩小搜索空间并采用前次迭代中发现的最佳参数来学习优化增强策略。在 KITTI 三维检测测试集上，PPBA 在汽车、行人与骑行者中等难度类别上大幅提升了 StarNet 检测器，优于当前所有最先进单阶段检测模型。在 Waymo Open Dataset 上的附加实验表明，与 KITTI 相比在规模大 20 倍的数据集上，PPBA 持续有效改进 StarNet 与 PointPillars 检测器。改进幅度或可媲美三维感知架构的进展，且收益在推理时无额外代价。后续实验中，我们发现 PPBA 的数据效率可达无增强基线三维检测模型的 10 倍，突显三维检测模型能以远少得多的标注样本取得有竞争力的精度。
引用
@article{arxiv.2004.00831,
title = {Improving 3D Object Detection through Progressive Population Based Augmentation},
author = {Shuyang Cheng and Zhaoqi Leng and Ekin Dogus Cubuk and Barret Zoph and Chunyan Bai and Jiquan Ngiam and Yang Song and Benjamin Caine and Vijay Vasudevan and Congcong Li and Quoc V. Le and Jonathon Shlens and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2004.00831},
year = {2020}
}
备注
Accepted at ECCV 2020