GA-EIRFS: A Geometry-Augmented Repeat-Factor Sampling Method for Long-Tailed LiDAR 3D Object Detection

📄 arXiv: 2609.38116v1 📥 PDF

作者: Taufiq Ahmed, Constantino Álvarez Casado, Daniel Herrera Castro, Sasan Sharifipour, Abhishek Kumar, Miguel Bordallo López

分类: cs.CV

发布日期: 2026-09-29

备注: 5 pages, 4 figures, Submitted to IEEE ICASSP 2027

🔗 代码/项目: GITHUB

💡 一句话要点

提出GA-EIRFS以解决长尾LiDAR 3D目标检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长尾检测 LiDAR 3D目标检测 几何增强 采样策略 深度学习 自动驾驶

📋 核心要点

  1. 长尾3D目标检测面临类频率不均衡的问题，现有方法难以有效利用几何信息。
  2. GA-EIRFS通过结合几何评分与频率信息，提出了一种新的采样策略，增强了检测性能。
  3. 在nuScenes数据集上，GA-EIRFS显著提高了mAP和NDS，验证了其有效性和实用性。

📝 摘要（中文）

长尾3D目标检测被视为一个类频率问题，但LiDAR监督的质量依赖于物体的可观测性：相似的频率可能隐藏不同的几何证据。我们提出了一种几何增强的指数加权实例感知重复因子采样方法（GA-EIRFS），该方法通过结合点数、表面法线熵和表面覆盖率的固定几何评分来调节基于频率的重复因子。GA-EIRFS仅改变帧采样概率，而不改变检测器和推理。在nuScenes数据集上，该方法在四个收敛实验中提高了平均精度均值（mAP）和nuScenes检测分数（NDS），例如在种子666下，CenterPoint的mAP从0.552提升至0.563，单车AP从0.306提升至0.359。每类的增益与类采样权重的增加相关，但与几何评分单独无关，因此几何增强了基于频率的需求。

🔬 方法详解

问题定义：本论文旨在解决长尾LiDAR 3D目标检测中的类频率不均衡问题。现有方法往往忽视几何信息，导致检测性能下降，尤其是在稀有类的识别上。

核心思路：GA-EIRFS通过引入几何评分来调节频率基础的重复因子，从而提高稀有类的检测能力。该方法不改变检测器和推理过程，仅调整采样概率，以便更好地利用几何信息。

技术框架：GA-EIRFS的整体架构包括三个主要模块：首先，计算每个实例的几何评分；其次，基于频率和几何评分调整采样概率；最后，将调整后的概率应用于检测器进行目标检测。

关键创新：GA-EIRFS的创新在于将几何信息与频率信息结合，形成一种新的采样策略。这一方法与传统的频率驱动方法不同，能够更有效地利用几何特征。

关键设计：在GA-EIRFS中，几何评分的计算涉及点数、表面法线熵和表面覆盖率等参数的综合评估。通过这些设计，GA-EIRFS能够在保持检测器不变的情况下，显著提升检测性能。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在nuScenes数据集上，GA-EIRFS在CenterPoint模型中，mAP从0.552提升至0.563，单车AP从0.306提升至0.359，显示出显著的性能提升。实验结果表明，几何信息的引入有效增强了频率驱动的采样策略。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和智能监控等场景。在这些领域，准确的3D目标检测对于安全性和效率至关重要。未来，GA-EIRFS有望在更广泛的长尾分布数据集上应用，进一步推动3D视觉技术的发展。

📄 摘要（原文）

Long-tailed 3D object detection is treated as a class-frequency problem, but LiDAR supervision quality depends on object observability: similar frequencies can hide different geometric evidence. We introduce Geometry-Augmented Exponentially Weighted Instance-Aware Repeat Factor Sampling (GA-EIRFS), a detector-agnostic method that modulates a frequency-based repeat factor with a fixed geometry score combining point count, surface-normal entropy, and surface coverage. GA-EIRFS changes only frame-sampling probabilities, leaving the detector and inference unchanged. On nuScenes it improves mean average precision (mAP) and the nuScenes detection score (NDS) in four converged experiments with CenterPoint and PointPillars over two seeds; for CenterPoint at seed 666, mAP rises from 0.552 to 0.563 and bicycle AP from 0.306 to 0.359. Per-class gains correlate with the class sampling-weight increase (Spearman rho=0.70, p=0.025) but not with geometry score alone (rho=0.32, p=0.37), so geometry amplifies frequency-driven need. KITTI results vary across seeds, most for the rarest class. Code: https://github.com/Multimodal-Sensing-Lab/GA-EIRFS.