论文题目：Improving the Intra-class Long-tail in 3D Detection via Rare Example Mining

论文链接：https://arxiv.org/abs/2210.08375

深度学习体系结构的不断改进使得3D目标检测器的整体性能稳步提升，在某些任务和数据集中，其整体性能主要由常见样本驱动，达到了与人类相当的水平。然而，即使是性能最好的模型，在遇到训练数据中不经常出现的罕见样本时，比如几何形状不规则的车辆，也会犯最幼稚的错误。长尾文献中的大多数研究集中在类别不平衡的分类问题上，已知每个类别的标签数目不平衡，但这些研究并不直接适用于类内变化较大的问题(如3D目标检测)的类内长尾样本，这些问题中，具有相同类别标签的实例可能具有截然不同的属性(如形状和大小)。其他文章提出，以不确定性、难度或多样性为标准，采用主动学习来缓解这一问题。在本项研究中，作者确定了一个新的概念维度-稀疏-挖掘新的数据，以提高模型在长尾问题上的表现。作者表明，稀有性，而不是困难性，是以数据为中心的3D 检测器改进的关键，因为稀有性是缺乏数据支持的结果，而困难性与问题的基本模糊性有关。提出了一种基于流模型的特征空间密度估计的稀有目标识别方法，并提出了一种基于代价感知的稀有目标tracks挖掘方法，提高了模型的整体性能，更重要的是显著提高了稀有目标的性能(提高了30.97%)。

内容中包含的图片若涉及版权问题，请及时与我们联系删除