通过稀有样本挖掘改善三维检测中的类内长尾问题

深度学习架构的持续改进已稳步将三维目标检测器的整体性能提升至在特定任务和数据集上可与人类比肩的水平，而整体性能主要由常见样本驱动。然而，即便是性能最佳的模型，在面对训练数据中不常出现的稀有样本（如具有不规则几何形状的车辆）时，也会犯最幼稚的错误。长尾研究中的多数工作聚焦于具有已知每类不平衡标签数量的类不平衡分类问题，但它们无法直接应用于具有大类内差异（如三维目标检测）的问题中的类内长尾样本，其中具有相同类标签的实例可能在形状和大小等属性上差异巨大。其他工作提出基于不确定性、难度或多样性准则的主动学习来缓解该问题。在本研究中，我们识别出一个新的概念维度——稀有度（rareness）——用于挖掘新数据以改善模型的長尾性能。我们表明，与难度相对，稀有度才是面向数据中心的三维检测器改进的关键，因为稀有度源于数据支撑的缺乏，而难度与问题固有的模糊性相关。我们提出了一种基于流模型在特征空间中进行密度估计来识别物体稀有度的通用且有效的方法，并提出了一种用于挖掘稀有物体轨迹的原则性成本感知公式，其改善了整体模型性能，但更重要的是——显著提升了稀有物体的性能（提升 30.97%）。