【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 2024-04-15 09:57:23 发布
最新推荐文章于 2024-04-15 09:57:23 发布
阅读量2.5k 收藏 7
点赞数 3
分类专栏： 论文阅读
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。
本文链接：https://blog.csdn.net/wqwqqwqw1231/article/details/103837651
版权

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ÿ
最低0.47元/天 解锁文章
麒麒哈尔
关注
  • 3
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
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
Class-balanced and Local Median Loss Jointly Supervised for Wild Facial Expression Recognition
03-12
针对这些问题，该研究提出了一种名为CALM Loss（Class-balanced and Local Median Loss）的新颖损失函数。CALM Loss由两部分构成，旨在同时解决数据不平衡和类内差异问题。 第一部分是类别均衡softmax损失函数。这...
MEGV--Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection
有所为，有所成长
09-11 2050
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
02-11 680
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。
点云 3D 目标检测 - 开源算法集合
77wpa的博客
01-06 3118
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
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            
探索类平衡损失函数：`class-balanced-loss`
最新发布
gitblog_00020的博客
04-15 351
探索类平衡损失函数：class-balanced-loss 项目地址:https://gitcode.com/richardaecn/class-balanced-loss 在深度学习领域，处理类别不平衡的数据集是一大挑战。class-balanced-loss是一个专门解决这个问题的Python库，它提供了各种类平衡损失函数，以帮助模型更好地对稀有类别进行预测。 项目简介 class-balan...
#Paper Reading# Class-Balanced Loss Based on Effective Number of Samples
01-20
论文题目: Class-Balanced Loss Based on Effective Number of Samples 论文地址: ...
Load-balanced locality-sensitive hashing: A new method for efficient near duplicate image detection
02-10
Load-balanced locality-sensitive hashing: A new method for efficient near duplicate image detection
Photonics-based radar with balanced I/Q de-chirping for interference-suppressed high-resolution detection and imaging
02-22
In this paper, we propose a photonics-based radar with a photonic frequency-doubling transmitter and a balanced in-phase and quadrature (I/Q) de-chirp receiver. This radar transmits broadband ...
【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
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
3D detection metrics介绍
ZauberC的博客
08-18 408
3D detection metrics
目标检测（1）—目标检测的基础知识
amyflower的博客
04-08 5559
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...
【单目3D目标检测】FCOS3D + PGD论文解析与代码复现
weixin_43799388的博客
11-08 1万+
本文对OpenMMLab在Monocular 3D detection领域做的两项工作FCOS3D和PGD（也被称作FCOS3D++）进行介绍。
PCDet: 3D Point Cloud Detection
不平凡之路
06-19 3456
PCDet: 3D Point Cloud DetectionIntroductionCurrently Supported FeaturesModel ZooInstallationRequirementsInstall pcdetDataset PreparationKITTI DatasetGetting StartedTest and evaluate the pretrained modelsTrain a modelAcknowledgementCitationContact Introduct
sklearn 样本均衡 class_weight='balanced'的实现方法
Pilgrim
04-26 3万+
想了解这个的原因，是因为Gbdt不能设置这个参数，但是GBDT是最常用的分类器了... 查了一会儿还想了下原理，想知道原理上为啥gbdt不能设置class_weight... 然后发现虽然sklearn没有这个选项，但是LightGBM是有的啊...所以应该是可以实现，但是Sklearn只是没有实现而已。。。 scale_pos_weight, default=1.0, type=doub
pytorch训练Class-Balanced Loss
qq_17614495的博客
05-12 2001
1. 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录1.pytorch版Class-Balanced Loss训练模型一、数据准备二、模型训练三、模型预测总结 pytorch版Class-Balanced Loss训练模型 论文地址：https://arxiv.org/pdf/1901.05555.pdf 一、数据准备 将自己的数据集按照一下格式进行准备 执行以下代码进行数据集划分 执行以下代码进行数据集划分 def split_dataset(dataset, split
正负样本不平衡处理方法总结
热门推荐
年轻即出发，
12-29 4万+
1， Bootstrapping，hard negative mining 最原始的一种方法，主要使用在传统的机器学习方法中。 比如，训练随机森林，对于每一个树就是采样booststraping方法采样，也算是随机森林的其中一个随机性表现。再比如bagging方法，也是基于该有放回重采样方法。 比如，SVM分类中去掉那些离分界线较远的样本，只保留离分界线较近的样本。 2， heurist...
Class-Balanced focal loss代码实现
07-25
以下一个简单的代码实现，用于计算类别平衡的focal loss： ```python import torch import torch.nn as nn import torch.nn.functional as F class ClassBalancedFocalLoss(nn.Module): def __init__(self, gamma=2, alpha=None, size_average=True): super(ClassBalancedFocalLoss, self).__init__() self.gamma = gamma self.alpha = alpha if self.alpha is None: self.alpha = torch.ones(1, requires_grad=True) self.size_average = size_average def forward(self, inputs, targets): # 计算分类损失 ce_loss = F.cross_entropy(inputs, targets, reduction='none') pt = torch.exp(-ce_loss) # 计算类别平衡权重 class_weights = self.alpha / (torch.sum(self.alpha) + 1e-10) weights = torch.pow(1 - pt, self.gamma) * class_weights # 计算最终的focal loss balanced_focal_loss = ce_loss * weights if self.size_average: balanced_focal_loss = torch.mean(balanced_focal_loss) return balanced_focal_loss ``` 这里的`gamma`是focal loss中的调节因子，`alpha`是每个类别的权重，如果不提供`alpha`，则默认所有类别的权重相等。`inputs`是模型的输出，`targets`是真实的类别标签。 你可以根据需要将其用于你的训练过程中，例如： ```python loss_criterion = ClassBalancedFocalLoss(gamma=2, alpha=None) outputs = model(inputs) loss = loss_criterion(outputs, targets) ``` 请注意，这只是一个简单的实现，实际应用中可能需要根据具体情况进行修改和调整。
评论 1
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