DR.CPO: Diversified and Realistic 3D Augmentation via Iterative Construction, Random Placement, and HPR Occlusion

要約

自動運転では、3D オブジェクトの検出を向上させるためにデータ拡張が一般的に使用されます。
最も基本的な方法には、コピーされたオブジェクトの挿入、トレーニング フレーム全体の回転とスケーリングが含まれます。
数多くのバリエーションも開発されています。
ただし、既存の方法は、現実世界のさまざまな可能性と比較するとかなり制限されています。
本研究では、全身オブジェクトを柔軟に構築し、オブジェクトを自由に配置および回転し、それに応じてセルフオクルージョンと外部オクルージョンを適用できる、多様で現実的な拡張手法を開発します。
全身物体構築の多様性を高めるために、実世界から観測された複数の物体を確率的に組み合わせて単一の物体にする反復手法を開発します。
既存の拡張手法とは異なり、最終ステップで適切なオクルージョンを全身オブジェクトに反映できるため、構築されたオブジェクトをトレーニング フレーム内でランダムに配置および回転できます。
最後に、計算効率の高い隠れ点除去 (HPR) アルゴリズムを使用して、各ローカル オブジェクト レベルでの適切なセルフ オクルージョンとグローバル フレーム レベルでの外部オクルージョンが適用されます。
HPR は、LiDAR からのオブジェクトの距離に応じて各オブジェクトの点密度を適応的に制御するためにも使用されます。
実験結果は、提案された DR.CPO アルゴリズムがデータ効率に優れ、計算オーバーヘッドを一切発生させずにモデルに依存しないことを示しています。
また、DR.CPO は、KITTI データセットで知られている最良の 3D 検出結果と比較して、mAP のパフォーマンスを 2.08% 向上させることができます。
コードは https://github.com/SNU-DRL/DRCPO.git で入手できます。

要約(オリジナル)

In autonomous driving, data augmentation is commonly used for improving 3D object detection. The most basic methods include insertion of copied objects and rotation and scaling of the entire training frame. Numerous variants have been developed as well. The existing methods, however, are considerably limited when compared to the variety of the real world possibilities. In this work, we develop a diversified and realistic augmentation method that can flexibly construct a whole-body object, freely locate and rotate the object, and apply self-occlusion and external-occlusion accordingly. To improve the diversity of the whole-body object construction, we develop an iterative method that stochastically combines multiple objects observed from the real world into a single object. Unlike the existing augmentation methods, the constructed objects can be randomly located and rotated in the training frame because proper occlusions can be reflected to the whole-body objects in the final step. Finally, proper self-occlusion at each local object level and external-occlusion at the global frame level are applied using the Hidden Point Removal (HPR) algorithm that is computationally efficient. HPR is also used for adaptively controlling the point density of each object according to the object’s distance from the LiDAR. Experiment results show that the proposed DR.CPO algorithm is data-efficient and model-agnostic without incurring any computational overhead. Also, DR.CPO can improve mAP performance by 2.08% when compared to the best 3D detection result known for KITTI dataset. The code is available at https://github.com/SNU-DRL/DRCPO.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google