TmacTmac1992 / 2018-CCF-BDCI-ALIBABA-3Dpoint-cloud-segmentation

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

2018-BDCI---top5

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

主办方：**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：

https://www.datafountain.cn/competitions/314/details/rule

百度云盘下载链接（权重下载链接）：

链接：https://pan.baidu.com/s/1ZwvoH2lRghaknokNe-u8yA 提取码：2nz0

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的思路将三类点云数据分别归一化到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。

---

知乎链接：https://zhuanlan.zhihu.com/p/51508500

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