LPA-Aug：学习为激光雷达数据增强放置和调整合成对象

《Computational Visual Media》：LPA-Aug: Learning to place and adjust synthetic objects for LiDAR data augmentation

　　

摘要：

激光雷达点云数据对于自动驾驶系统至关重要，它能够实现诸如3D物体检测和分割等关键的三维感知任务。然而，标记好的激光雷达数据短缺阻碍了针对这些任务的强大深度学习算法的发展。数据增强作为一种重要且有效的方法来增加标记数据的数量，已被应用于激光雷达数据中，具体方法包括几何变换、数据混合以及插入合成物体等。在本文中，我们重点探讨如何更有效地利用合成物体来增强激光雷达数据。以CAD模型形式存在的合成物体为例，我们考虑了三个显著影响增强数据真实感和实用性的因素：插入姿态、点云空间分布以及点强度值。与以往仅关注其中一个或两个因素的插入方法不同，我们的新型框架LPA-Aug能够学习如何将合成物体放置到现有场景中并对其进行调整。首先，一个姿态预测模块会根据场景上下文学习生成物体的放置位置和方向；接着，一个基于2D图像的分布调整模块会调整从插入的合成物体中采样的点的空间分布；最后，一个强度预测模块会在2D层面上预测每个物体点的强度值。我们通过使用LPA-Aug增强后的数据在KITTI数据集上进行3D物体检测来评估其性能，结果表明LPA-Aug优于以往的激光雷达数据增强方法。