雷达点云分类:点密度才是瓶颈,F1 从 0.381 翻倍至 0.764
bruno_pinto90 · reddit · 2026-09-07
感知/雷达信号处理工程师在 RadarScenes 数据集上训练仅雷达点云的 5 类分类器(汽车、大型车辆、两轮车、行人、行人群),得出反直觉结论:点密度而非模型架构才是真正的瓶颈。
- 每实例点数从 1 增到 5,macro F1 从 0.381 翻倍到 0.764,模型完全不变
- 单点无法携带尺寸/速度谱信息:largevehicle 在 n=1 时 F1 仅 0.037,n=11+ 达 0.995;两轮车与行人在稀疏时速度签名相同而混淆
- 消融实验:更宽/更深的网络、六种特征编码、不同分箱边缘,全部落在 6 折分裂敏感性检验测得的噪声区间内;用显式统计量替代直方图反而略差(0.658 vs 0.686)
- 数据坑:RadarScenes 类别不平衡;两轮车混合自行车与机动化两种速度域;交叉验证还抓到一条序列中长时间静止的两轮车主导分布、导致跨折 F1 方差
- 真实失败案例:近静止两轮车单点被误判为行人,零补偿速度与站立行人不可区分;同场景单点汽车因 RCS/Doppler 足够而正确
完整报告已开源在 GitHub,作者征求稀疏场景的替代表示与验证改进真实性的方法。
「研究」频道最新
- AI 生成甲烷发动机 3 周走完设计到点火，燃烧效率超 93% — creatoroff · 2026-09-07
- RandKV 开源:把 Random Attention KV 缓存驱逐策略做成 pip 一键可用 — atease01 · 2026-09-07
- 深度长文:探讨生物 AI 面临的奇特而关键挑战 — anshulkundaje · 2026-09-07
- MIT与EPFL造出300克以内水空两栖扑翼机器人，登上Science — lukas_m_ziegler · 2026-09-07
- NeurIPS 教育赛道推出投机解码交互式教程,讲透何时无损 — Madisonkanna · 2026-09-07
- LLM 是认知病毒:新论文建模 AI 依赖的临界点与认知免疫力 — serrjoa · 2026-09-07