Skip to content

2018 CCF大数据与计算智能大赛自动驾驶三维点云分割复赛第四方案

Notifications You must be signed in to change notification settings

yuyijie1995/2018-CCF-BDCI-ALIBABA-3Dpoint-cloud-segmentation

Repository files navigation

2018-BDCI---top5

======================================

主办方:中国计算机学会 & DataFountain & 阿里巴巴


赛题 自动驾驶三维点云分割


比赛链接:

百度云盘下载链接(权重下载链接):

已失效 因为我的失误 权重丢失 小伙伴们自己训一下吧 😩

数据集解释:

由于本次的数据集超过100G,无法上传百度云,这里我们只取了几个数据作为sample,应该可以使用训练赛数据集作为替代:https://www.datafountain.cn/competitions/326/details

训练权重使用方法:

将maskrcnn文件夹放入FaterRCNN/train_log下,将ImageNet-R101-AlignPadding放入FasterRCNN下,本训练代码参考:https://github.com/tensorpack/tensorpack/tree/master/examples/FasterRCNN


1.数据预处理:

官方提供了pts,intensity,category三类点云数据,我们这里参考了Complex-YOLO: Real-time 3D Object Detection on Point Clouds的思路将pts,intensity点云数据处理为最大反射强度,最大高度,归一化密度后再分别归一化到0~1的范围后重组为三通道图片数组,作为我们的训练图像。我们的图片和标签制作过程详见代码making_training_data/pointcloud2RGB.py

2.数据增强:

鸟瞰图像有一个很大的特点,就是多方向性。传统图像数据集里面,道路目标姿态往往都是类似的,同时也不会有较大的倾斜。鸟瞰图数据集的这个问题就严重,道路目标的朝向东南西北都有可能的,因此训练集里的朝向应当要丰富,避免学习到的模型不具有泛性。 针对这一问题我们采取了下面几种数据增强方法:随机30°倍数旋转,随机水平翻转,随机平移。(均为线上数据增强)

3.数据格式转换:

将得到的数据制分别制作成VOC和COCO格式,便于训练。

4.目标检测算法选择:

对多类目标检测算法进行尝试后,最后敲定使用Faster-RCNN作为目标检测算法,得到0.2以上的检测精度。(所需环境和使用方法均已经写在两个txt文件中)

5.调参过程:

主要对目标nms阈值和目标置信度进行了调整,我们的结果可视化代码要使用matlab,在result_check/下

6.最终复赛成绩:0.248


后续可以考虑改进的点:

1.我们本次比赛对数据的清洗和分析做的不够,实际上该数据集类间数量分布很不均匀,需要针对这个情况,对每个类别进行置信度调整,同时部分数据的标注也存在一定的问题,要进行部分数据的筛选。
2.验证集的分割没做好,理想应该挑选5%的数据作为验证集,我们的验证集太小,缺乏代表性
3.图像分割在这个赛题会比目标检测算法有着更好的精度,同时速度上也会有较大的优势。
4.若使用图像分割的话,推断时间减少,就可以尝试在inference阶段使用TTA的思路,减少假阳性。

我们正在联系第一名的团队争取把他们的方案的中文git版本做出来

About

2018 CCF大数据与计算智能大赛自动驾驶三维点云分割复赛第四方案

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published