PseudoAugment：学习利用无标签数据进行点云数据增强
计算机视觉与模式识别
2022-10-25 v1
摘要
数据增强是一项重要技术，可提高点云 3D 检测的数据效率并节省标注成本。然而，现有的增强策略迄今仅被设计用于利用有标签数据，这限制了数据多样性。在本文中，我们认识到伪标注与数据增强是互补的，从而提出利用无标签数据进行数据增强以丰富训练数据。具体而言，我们设计了三种新颖的基于伪标签的数据增强策略（PseudoAugments）来融合有标签与伪标签场景，包括帧（PseudoFrame）、物体（PseudoBBox）和背景（PseudoBackground）。PseudoAugments 通过缓解伪标注错误并生成多样的融合训练场景，优于伪标注。我们证明 PseudoAugments 可泛化到基于点和基于体素的架构、不同模型容量以及 KITTI 和 Waymo Open Dataset 两者。为减轻超参数调优与迭代伪标注的成本，我们开发了用于 3D 检测的基于种群的数据增强框架，名为 AutoPseudoAugment。与先前离线执行伪标注的工作不同，我们的框架一次性执行 PseudoAugments 与超参数调优以降低计算成本。在大规模 Waymo Open Dataset 上的实验结果表明，我们的方法优于最先进的自动数据增强方法（PPBA）和自训练方法（伪标注）。特别地，在车辆和行人任务上，AutoPseudoAugment 的数据效率约为先前方法的 3 倍和 2 倍。值得注意的是，在车辆检测任务上，仅使用 10% 的有标签行驶片段，AutoPseudoAugment 就几乎匹配了全数据集训练结果。
引用
@article{arxiv.2210.13428,
title = {PseudoAugment: Learning to Use Unlabeled Data for Data Augmentation in Point Clouds},
author = {Zhaoqi Leng and Shuyang Cheng and Benjamin Caine and Weiyue Wang and Xiao Zhang and Jonathon Shlens and Mingxing Tan and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2210.13428},
year = {2022}
}