面向 LiDAR 三维目标检测的模式感知数据增强
计算机视觉与模式识别
2021-12-02 v1
摘要
自动驾驶数据集往往存在偏斜，尤其缺乏自车较远距离处目标的训练数据。数据的不平衡导致随着被检测目标距离增大，性能下降。本文提出模式感知真值采样，一种基于 LiDAR 特性对目标点云进行下采样的数据增强技术。具体而言，我们模拟深度方向上目标所出现的自然发散点模式变化，以生成更远距处的样本。由此，网络拥有更多样化的训练样本，并能更有效地泛化至更远目标的检测。我们与现有采用点移除或扰动方法的数据增强技术进行比较，发现本方法优于所有这些技术。此外，我们提出使用等元素 AP 分箱来评估三维目标检测器在不同距离上的性能。在 KITTI 验证集上，我们对 PV-RCNN 在汽车类别上于大于 25 m 距离处的性能提升了 0.7 个百分点以上。
引用
@article{arxiv.2112.00050,
title = {Pattern-Aware Data Augmentation for LiDAR 3D Object Detection},
author = {Jordan S. K. Hu and Steven L. Waslander},
journal= {arXiv preprint arXiv:2112.00050},
year = {2021}
}
备注
Published paper in the IEEE Intelligent Transportation Systems Conference - ITSC 2021