CenterPoint数据增强实战：从原理到避坑指南

1次阅读

共计 2194 个字符，预计需要花费 6 分钟才能阅读完成。

在 3D 目标检测任务中，数据问题一直是制约模型性能的关键瓶颈。与 2D 图像不同，3D 点云数据的采集成本高、标注复杂，导致训练样本往往面临以下挑战：

数据量不足 ：激光雷达采集的原始点云数据量有限，尤其是在特定场景（如雨雪天气、夜间）下的样本稀缺
类别不平衡 ：行人和自行车等小物体点云数量远少于车辆，导致模型对少数类别的检测效果差
几何多样性缺失 ：同一类物体在不同距离、角度下的点云分布差异大，但原始数据难以覆盖所有情况

传统解决方案如简单旋转、平移增强（如下图所示）只能带来有限的多样性提升：

# 传统点云增强示例（局限性明显）points[:, :3] = (points[:, :3] * np.random.uniform(0.9, 1.1))  # 简单缩放
points[:, :3] += np.random.normal(0, 0.02, size=points[:, :3].shape)  # 高斯噪声

CenterPoint 提出了一套系统的数据增强策略，其核心创新点包括：

全局 - 局部协同变换 ：
全局层面应用场景级旋转 / 缩放（增强环境多样性）
局部层面执行目标级 GT-Augmentation（解决类别不平衡）
多模态同步增强 ：
点云与图像数据通过标定矩阵保持几何一致性
自动处理遮挡关系和投影边界条件
物理约束增强 ：
地面接触点约束（避免物体 ” 悬浮 ”）
碰撞检测（防止物体不合理重叠）

对比实验显示，该方案在 nuScenes 数据集上可将 mAP 提升 5.2%：

增强方法	mAP@0.5	推理速度 (FPS)
基础增强	0.423	15.2
CenterPoint 增强	0.475	14.8

import numpy as np
def apply_centerpoint_aug(points, gt_boxes):
    """
    points: (N, 4) [x,y,z,intensity]
    gt_boxes: (M, 7) [x,y,z,dx,dy,dz,heading]
    """
    # 1. 全局场景旋转（保持地面水平）rot_angle = np.random.uniform(-np.pi/4, np.pi/4)
    rot_mat = np.array([[np.cos(rot_angle), -np.sin(rot_angle), 0],
        [np.sin(rot_angle),  np.cos(rot_angle), 0],
        [0, 0, 1]])
    points[:, :3] = points[:, :3] @ rot_mat.T
    gt_boxes[:, :3] = gt_boxes[:, :3] @ rot_mat.T
    gt_boxes[:, 6] += rot_angle

    # 2. GT-Augmentation：从数据库采样并插入新物体
    if len(gt_boxes) > 0:
        sampled_boxes = load_objects_from_database(3)  # 随机采样 3 个物体
        # 碰撞检测（简化版）iou_matrix = iou3d(gt_boxes, sampled_boxes)
        valid_mask = np.all(iou_matrix < 0.01, axis=0)
        gt_boxes = np.concatenate([gt_boxes, sampled_boxes[valid_mask]])

    # 3. 物理合理的噪声注入
    points[:, :3] += np.random.normal(0, 0.03, size=points[:, :3].shape)
    points[:, 3] *= np.random.uniform(0.95, 1.05)  # 反射率扰动
    return points, gt_boxes

当处理相机 - 激光雷达融合数据时，需要特别注意：