False Positive Sampling-based Data Augmentation for Enhanced 3D Object Detection Accuracy

最近的研究集中在提高三维物体检测模型的性能。在各种方法中，地面真实数据采样被提出作为一种增强技术，以解决有限的地面真实数据所带来的挑战。然而，地面真实数据采样的固有问题是其增加误报的倾向。因此，本研究旨在克服地面真实数据采样的限制，通过开发一种新的增强技术——误报采样，来提高三维物体检测模型的性能。误报采样涉及到使用在模型预测中被识别为误报的点云来重新训练模型。我们提出了一种算法，利用了地面真实数据采样和误报采样，以及一种用于构建误报样本数据库的算法。此外，我们分析了误报采样对性能提升的原理，并提出了一种应用课程学习概念于采样策略的技术，该策略包括误报采样和地面真实数据采样技术。我们的实验表明，利用误报采样的模型显示出减少误报和改善物体检测性能的趋势。在KITTI和Waymo Open数据集上，采用误报采样的模型超过了基线模型很大的幅度。

如何通过新的数据增强技术来提高3D目标检测模型的性能，同时避免增加误报率？

提出了一种名为false-positive sampling的数据增强技术，通过重新训练模型来利用模型预测中被识别为误报的点云数据。同时结合ground-truth sampling，应用curriculum learning策略来优化采样方法，从而提高模型性能。

实验结果表明，使用false-positive sampling的模型在KITTI和Waymo Open数据集上表现出色，误报率有所降低，检测性能得到了提升。论文提出的数据增强技术有望在3D目标检测领域得到广泛应用。

在3D目标检测领域，近期的相关研究包括《3DSSD: Point-based 3D Single Stage Object Detector》、《STD: Sparse-to-Dense 3D Object Detector for Point Cloud》等。