【论文阅读】【三维目标检测】Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection

最新推荐文章于 2025-09-26 17:14:25 发布
原创 最新推荐文章于 2025-09-26 17:14:25 发布 · 2.7k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了旷视团队在nuScenes 3D Detection Challenge夺冠的方法，重点在于Class-balanced Grouping和DS Sampling，以解决小样本类别检测问题。Multi-group Head Network通过相似类别分组，提高检测性能。评估指标包括mATE、mASE等，代码已开源。

文章目录

Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection
出自旷视，nuScenes 3D Detection Challenge的冠军。
本文更多的数据增广，训练的tricks，不是在网络层面提出新的网络结构。

MEGV

本文的创新点在于：

  • DS Sampling：使得类之间的数量更平衡，以对小样本的类的处理能力
  • Multi-group Head Network：用文章中的原话，“our method performs better when training all categories jointly than training each of them individually”

总体结构如下：
在这里插入图片描述

DS Sampling

说实话，这块感觉讲的也不是很明白，主要是sample的定义没有说明白。
但从结果来看，对最后的效果确实有提升，但从图2中看，看起来并没有很有效果。

Multi-group Head Network

设置group的原因有两个：

  • group内部的类别size和shape相似，可以互相促进，学到有用的信息
  • group内部的类别较为均匀，排除大类别对小类别的压制作用。而且，经过group，car这个大类别对应的分类不再是truck这种小类别，而是(Truck, Construction Vehicle)的集合，从而进一步减轻大类别对小类别的压制作用。

最低0.47元/天 解锁文章
目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究(下)
qq_36130719的博客
04-25 1099
Pseudo-LiDAR采样可以遵循随机性的方法，对全部点云进行采样，然而该方式很可能会抹去小物体的点云，对相隔较远处的物体检测衰减也能够预期，如图。功能，因此本文将掩码乘到对应的原始点云特征𝑝上，再与原始𝑝以残差连接的方式相加，得到最终的融合特征，最终输出定义如公式4-5所示。主干特征的提取网络选择Densenet161，对深度估计模型进行训练并收敛，以视为后续端到端训练的的预训练模型。根据表5-1可以得知，本文建立的实验神经网络模型数量达到6个，Base表示的是基线，SSIS确定的。
样本不平衡问题 | 目标检测（文后分享大量检测+分割框架）
gzq0723的博客
01-17 3644
背景2020 Happy New Year《Residual Objectness for Imbalance Reduction》是2019 arXiv上的文章。样本不平衡问题感觉近期...
MEGV--Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection
有所为，有所成长
09-11 2228
Brief 19年8月才发表在arxiv上，算是很新的3D检测的文章。 Abstruct 获得了nuScence 3D detection冠军 运用3D稀疏卷积提取丰富的语义信息，然后在运用class-balanced multi-head network进行3D检测 主要是根据数据不平衡设计了对应的采样策略和曾广策略，使得生成一个更加平衡的数据分布。 进一步，提出了一个 balanced gr...
Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection
xiaohu的博客
02-11 1096
本文算法在CVPR 2019自动驾驶Workshop 3D目标检测挑战赛中赢得了冠军。作者利用稀疏3D卷积提取丰富的语义特征，并将其输入到一个类别平衡的多头网络中进行3D目标检测。为了解决自动驾驶场景中天然存在的严重类别不平衡问题，作者设计了一个类别平衡采样和增强策略以生成一个更加平衡的数据分布。此外，作者还提出了平衡分组网络头，提升了具有相似形状类别的分类性能。本文提出的算法在所有评估指标上大幅优于PointPillars，在nuScenes数据集上达到SOTA的检测性能。
在 nuScenes 测试集上的 NDS 指标达到了最高指标的算法是什么
最新发布
luoganttcc的博客
09-26 450
浪潮信息团队提出的IEI-BEVFusion++算法以77.6%的NDS指标刷新nuScenes 3D目标检测纪录，成为当前最高性能的多模态融合算法。该算法通过动态时空校准、轻量化网络架构和跨模态数据增强，显著提升了目标检测精度和推理速度（28 FPS）。相比BEVFusion等现有方法，NDS提升1.9%，计算成本降低23%，已应用于量产自动驾驶方案。未来研究将聚焦极端环境鲁棒性和多传感器融合优化。
【数据增强（1）】CVPR2019: Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection
Hali_Botebie的博客
04-27 240
本报告介绍了我们的方法，该方法赢得了自动驾驶研讨会 (WAD, CVPR 2019) 上举办的 nuScenes 3D 检测挑战赛 [17]。通常，我们利用稀疏 3D 卷积提取丰富的语义特征，然后将其输入到类平衡的多头网络中执行 3D 物体检测。为了解决自动驾驶场景中固有的严重类别不平衡问题，我们设计了一种类平衡的采样和增强策略，以生成更均衡的数据分布。此外，我们提出了一个平衡的分组头来提升具有相似形状的类别的性能。
点云 3D 目标检测 - 开源算法集合
77wpa的博客
01-06 3692
点云 3D 目标检测开源算法集合1. 点云 3D 目标检测开源算法集合 1. 点云 3D 目标检测开源算法集合 OpenPCDet Det3D MMDetection3D
扩散模型+BEV太强 | Diffusion BEV感知，小目标+遮挡都得到缓解！
CV_Autobot的博客
01-01 1907
作者|AI驾驶员 编辑| 智驾实验室点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【BEV感知】技术交流群本文只做学术分享，如有侵权，联系删文鸟瞰视角（BEV）是自动驾驶车辆（AVs）中最广泛使用的场景表示之一，因为它非常适合下游任务。为了提高AVs的安全性，在BEV中建模感知不确定性至关重要。最近，基于扩散的方法为视觉感知的不确定性建模提供了有前...
【论文阅读】【综述】3D Object Detection 3D目标检测综述
麒麒哈尔的博客
06-04 4万+
aaa3D Detection新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 3D Detection 你好！...
精选资源
awesome-3D-object-detection:3D物体检测
04-15
作者：Tom Hardy 公众号： 公众号运营者和嘉宾介绍：运营者来自国内一线大厂的算法工程师，深研3D视觉、vSLAM、计算机视觉、点云处理、深度学习、自动驾驶、图像处理、三维...Class-balanced Grouping and Sampling fo
论文详解——《InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions》
zyw2002的博客
08-18 9090
原文翻译摘要与近年来large-scale vision Transformer(ViTs)取得的巨大进展相比，基于卷积神经网络(cnn)的大型模型尚处于早期阶段。本文提出了一种新的large-scale CNN-based foundation model，称为。类似于VIT，该模型可以通过增加参数和训练数据获得增益。与最近的CNN聚焦于large dense kernels不同，
NDS(导航数据标准)简介
jimmyspa110的专栏
08-17 1万+
NDS .e.v 是由汽车制造商、系统供应商、和地图共用商组成的注册制组织。其提倡标准化导航数据的物理存储格式。         现今导航系统的一个弱点就是各导航系统都有其独有的导航数据物理格式。不同导航系统间直接数据交换几乎是不可能的。         NDS初创成员约定了NDS数据必须满足的需求集合，基于这些需求，需满足以下目标：         1.兼容和互通            
【mmdetection3d】——3D 目标检测 NuScenes 数据集
m0_45388819的博客
11-08 1万+
3D 目标检测 NuScenes 数据集 本页提供了有关在 MMDetection3D 中使用 nuScenes 数据集的具体教程。 准备之前 您可以在这里下载 nuScenes 3D 检测数据并解压缩所有 zip 文件。 像准备数据集的一般方法一样，建议将数据集根目录软链接到 $MMDETECTION3D/data。 在我们处理之前，文件夹结构应按如下方式组织。 mmdetection3d ├── mmdet3d ├── tools ├── configs ├── data │ ├── nuscene
RANSAC算法详解
热门推荐
小白_努力
06-15 4万+
随机抽样一致算法（random sample consensus,RANSAC）,采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。 算法简介：RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(outliers，偏离正常范围很远、无法适应数学模型的数据)，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误
基于激光雷达点云的3D目标检测算法论文总结
qq_29462849的博客
05-15 4895
作者丨eyesighting@知乎来源丨https://zhuanlan.zhihu.com/p/508859024编辑丨3D视觉工坊前言过去很多年激光雷达的车规标准和高昂价格是阻碍其量产落地的主要因素，最近两三年随着速腾、禾赛、大疆、图达通、Luminar等厂家混合固态激光雷达的量产，新势力车企、互联网车企陆续发布与交付了基于激光雷达的车型，比如：小鹏P5、蔚来ET7...
【论文阅读】解决类别分布严重不均衡
麒麒哈尔的博客
06-01 1413
文章目录Focal lossOHEMGT AugmentBAGS 数据集类别严重不均衡的问题在3D object detection上非常常见，这里记录几篇关于这个问题的解决办法。 Focal loss focal loss可以缓解这个问题，减少容易样本loss的权重。 OHEM 在线难例挖掘，仍然是减少易分类样本对loss的影响。 GT Augment 做少样本类别的instance的augmentation，这在3D object detection任务中是一个非常常见的数据增广手段。但这有个问题是，增
multi-head attention理解加代码
qq_43331398的博客
11-21 3万+
(multi-head attention 用于CNN相关理解) 饭前小菜 在早期的Machine Translation(机器翻译)中，Attention机制与RNN的结合。机器翻译解决的是输入是一串在某种语言中的一句话，输出是目标语言相对应的话的问题，如将中文翻译成英文。通常的配置是encoder-decoder结构，即encoder读入输入的句子并将其转换为一个固定长度的向量，然后decod...
目标检测（1）—目标检测的基础知识
amyflower的博客
04-08 5819
一.目标检测的定义 目标检测是计算机视觉领域基础研究，对于计算机视觉中其它的任务通常会依赖于目标检测任务的结果进行后续的处理，比如目标跟踪等。 目标检测是在图片中对数目是可变的目标进行分类和定位。对于目标检测这个任务而言,可能存在一些问题使得目标检测问题难度加大。比如（1）可能存在多个不同类的目标和目标的数量不定的问题。（2）目标尺度问题（目标大小不一，大物体，小物体）（3)外在环境干扰（光...
What is the difference between Height-Balanced Binary Tree and Self-Balanced Binary Tree
07-17
### Height-Balanced Binary Tree 与 Self-Balanced Binary Tree 的区别 **Height-Balanced Binary Tree** 是一种二叉树，其定义为：对于树中的每个节点，其左右子树的深度之差不超过1。这种平衡性确保了树的整体高度保持在 $ O(\log n) $ 级别，从而保证了查找、插入和删除操作的时间复杂度接近最优。例如，在 LeetCode 题目中，判断一棵二叉树是否是高度平衡的通常涉及递归计算每个节点的左右子树深度，并检查它们的差异[^1]。 **Self-Balanced Binary Tree** 则是一个更广泛的概念。它不仅要求树的高度平衡，还要求在进行插入或删除操作后，树能够通过特定的旋转操作（如左旋、右旋）自动恢复平衡。常见的自平衡二叉搜索树包括 AVL 树 和 红黑树（Red-Black Tree）。AVL 树是一种特殊的高度平衡二叉搜索树，其每个节点的左子树和右子树的高度差最多为1，并且所有操作（插入、删除）都会维持这一性质；而红黑树则通过颜色规则来保证树的大致平衡，虽然它的高度可能略高于 AVL 树，但其插入和删除操作的性能更好[^3]。 #### 关键区别 1. **定义上的区别**： - Height-Balanced Binary Tree 只要求任意节点的左右子树深度差不超过1。 - Self-Balanced Binary Tree 不仅要求高度平衡，还需要支持动态操作（插入、删除）后的自动平衡维护。 2. **应用场景**： - Height-Balanced Binary Tree 通常用于静态结构或不需要频繁更新的场景。 - Self-Balanced Binary Tree 更适合需要频繁插入和删除的动态数据结构，例如数据库索引和语言标准库中的有序集合。 3. **实现机制**： - Height-Balanced Binary Tree 的实现较为简单，只需检查每个节点的子树深度差即可。 - Self-Balanced Binary Tree（如 AVL 树）则需要额外的旋转操作来维持平衡，例如 AVL 树的单旋转和双旋转[^3]。 4. **性能特性**： - 在查找操作较多的情况下，Height-Balanced Binary Tree 和 Self-Balanced Binary Tree 的性能相近。 - 在插入和删除操作较多的情况下，Self-Balanced Binary Tree（如红黑树）通常表现更好，因为它们的平衡策略减少了旋转的次数。 ### 示例代码：AVL 树的插入操作 以下是一个 AVL 树的插入操作示例，展示了如何通过旋转保持树的平衡： ```cpp struct Node { int key; Node *left; Node *right; int height; }; int height(Node *N) { if (N == NULL) return 0; return N->height; } Node* newNode(int key) { Node* node = new Node(); node->key = key; node->left = NULL; node->right = NULL; node->height = 1; return node; } Node* rightRotate(Node *y) { Node *x = y->left; Node *T2 = x->right; x->right = y; y->left = T2; y->height = max(height(y->left), height(y->right)) + 1; x->height = max(height(x->left), height(x->right)) + 1; return x; } Node* leftRotate(Node *x) { Node *y = x->right; Node *T2 = y->left; y->left = x; x->right = T2; x->height = max(height(x->left), height(x->right)) + 1; y->height = max(height(y->left), height(y->right)) + 1; return y; } int getBalance(Node *N) { if (N == NULL) return 0; return height(N->left) - height(N->right); } Node* insert(Node* node, int key) { if (node == NULL) return newNode(key); if (key < node->key) node->left = insert(node->left, key); else if (key > node->key) node->right = insert(node->right, key); else return node; node->height = 1 + max(height(node->left), height(node->right)); int balance = getBalance(node); if (balance > 1 && key < node->left->key) return rightRotate(node); if (balance < -1 && key > node->right->key) return leftRotate(node); if (balance > 1 && key > node->left->key) { node->left = leftRotate(node->left); return rightRotate(node); } if (balance < -1 && key < node->right->key) { node->right = rightRotate(node->right); return leftRotate(node); } return node; } ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值