CenterPoint数据增强实战指南：从基础原理到避坑实践

1次阅读

共计 1803 个字符，预计需要花费 5 分钟才能阅读完成。

在 3D 目标检测任务中，数据增强是提升模型泛化能力的关键手段。CenterPoint 作为基于点云的 anchor-free 检测模型，其性能高度依赖点云数据的质量与多样性。与传统 2D 检测不同，3D 点云的稀疏性和不规则性使得数据增强需要特别考虑几何一致性。

CenterPoint 采用两阶段检测架构，先预测物体中心热图，再回归其他属性。这种设计对点云的空间分布敏感，因此合理的数据增强能显著提升模型对物体位置、尺度变化的鲁棒性。

通过对整个场景施加随机旋转变换（通常绕 Z 轴旋转 -45°~45°）和平移（±0.2 米），模拟不同视角的观测数据。需注意：

旋转后需同步更新 3D 框的朝向角
避免平移导致物体移出有效感知范围

按 0.95~1.05 的比例随机缩放点云坐标，模拟不同距离下的物体尺寸变化。关键点：

同步调整 3D 框尺寸
防止过度缩放导致点云密度异常

以 5%~20% 的概率随机丢弃点，增强模型对遮挡的鲁棒性。实现时：

使用伯努利采样选择保留点
避免对地面点过度丢弃

针对单个物体进行增强（需有标注信息）：

复制粘贴：从其他样本随机选择物体插入当前场景
局部旋转：对选中的物体单独旋转

import torch
import numpy as np

class PointCloudAugmentor:
    def __init__(self):
        self.rot_range = [-np.pi/4, np.pi/4]  # ±45 度
        self.trans_std = [0.2, 0.2, 0.2]     # XYZ 平移标准差
        self.scale_range = [0.95, 1.05]       # 缩放范围

    def __call__(self, points, gt_boxes=None):
        """
        points: (N, 3+C)
        gt_boxes: (M, 7) [x,y,z,dx,dy,dz,theta]
        """
        # 全局旋转
        if self.rot_range[1] - self.rot_range[0] > 0:
            rot_angle = np.random.uniform(*self.rot_range)
            points[:, :3] = self.rotate_points(points[:, :3], rot_angle)
            if gt_boxes is not None:
                gt_boxes[:, 6] += rot_angle

        # 全局平移
        translation = np.random.normal(0, self.trans_std, 3)
        points[:, :3] += translation
        if gt_boxes is not None:
            gt_boxes[:, :3] += translation

        # 全局缩放
        scale_factor = np.random.uniform(*self.scale_range)
        points[:, :3] *= scale_factor
        if gt_boxes is not None:
            gt_boxes[:, :6] *= scale_factor

        return points, gt_boxes

    def rotate_points(self, points, angle):
        """绕 Z 轴旋转"""
        rot_cos, rot_sin = np.cos(angle), np.sin(angle)
        rot_mat = np.array([[rot_cos, -rot_sin, 0],
                            [rot_sin, rot_cos, 0],
                            [0, 0, 1]])
        return points @ rot_mat.T

在 KITTI 验证集上的 mAP 对比（Car 类）：