How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures

Imagine um mundo onde carros autônomos e drones navegam "vendo" com feixes de laser em vez de olhos. Essas máquinas disparam pulsos de luz que ricocheteiam no chão, edifícios e árvores, retornando como uma nuvem de milhões de pontos individuais. É assim que elas constroem um mapa tridimensional de seus arredores. No entanto, esses mapas não são perfeitamente equilibrados. Em uma cena urbana típica, o laser atinge a vasta e plana extensão da estrada ou a lateral de um edifício milhares de vezes mais do que atinge uma pequena placa de rua distante ou um pedestre. Isso cria um desequilíbrio severo: o computador vê as coisas grandes constantemente, mas mal nota os detalhes pequenos e críticos. Se o cérebro da máquina não for treinado para lidar com isso, ele pode ignorar com confiança uma pessoa parada na calçada porque foi sobrecarregado pelo enorme volume de dados sobre a estrada.

Durante décadas, pesquisadores tentaram corrigir problemas semelhantes em fotografias 2D padrão, onde alguns objetos aparecem com muito menos frequência do que outros. Eles desenvolveram vários truques matemáticos para forçar o computador a prestar mais atenção aos itens raros. Mas quando esses mesmos truques foram aplicados ao mundo caótico de nuvens de pontos de laser tridimensionais, os resultados foram confusos. Alguns métodos funcionaram, enquanto outros pareceram piorar o problema. A questão permanecia: será que a maneira como um computador amostra esses pontos de laser altera quais truques realmente funcionam? Um novo estudo realizado por pesquisadores da Universidade de Chipre e do Centro de Excelência em Pesquisa e Inovação KIOS buscou responder a isso, testando uma ampla gama de soluções em dados do mundo real.

Os pesquisadores focaram em duas maneiras diferentes pelas quais os computadores processam essas nuvens de laser. O primeiro método, usado em um sistema chamado KPConv, age como um agrimensor cuidadoso. Ele seleciona pontos em um padrão estruturado e organizado, garantindo que cada parte da cena seja amostrada com uma lógica geométrica específica. O segundo método, usado em um sistema chamado RandLA-Net, é muito mais caótico; ele agarra pontos de forma completamente aleatória, como uma criança pegando punhados de areia de uma praia. A equipe testou ambos os sistemas contra três conjuntos de dados muito diferentes: um enorme escaneamento aéreo de uma cidade com um desequilíbrio extremo de 641 para um, um escaneamento interno de um edifício com um desequilíbrio moderado e um ambiente sintético gerado por computador. Eles aplicaram onze estratégias diferentes para ver qual delas ajudava o computador a reconhecer melhor os objetos raros.

Os resultados entregaram um veredito surpreendente e claro. O instinto mais comum na área — simplesmente dizer ao computador para dar mais peso aos objetos raros com base na frequência com que aparecem — revelou-se um desastre. Quando os pesquisadores usaram esse padrão de "ponderação de frequência inversa", o desempenho do computador caiu significamente, às vezes em até 12 por cento. Nos piores casos, o sistema falhou catastroficamente, perdendo completamente objetos pequenos como postes e cercas. O estudo explicitamente descartou essa abordagem popular, mostrando que aumentar cegamente a importância de classes raras realmente confunde o modelo e degrada sua capacidade de enxergar o mundo corretamente.

Em vez disso, o estudo descobriu que a melhor solução depende inteiramente de como o computador amostra os dados. Para o sistema estruturado, semelhante a um agrimensor, a abordagem mais simples foi frequentemente a melhor. Usar uma ponderação uniforme, onde cada classe é tratada igualmente sem quaisquer ajustes matemáticos especiais, teve um desempenho quase tão bom quanto as fórmulas mais complexas e customizadas. A diferença foi tão pequena — menos de 2 por cento — que o esforço extra para calcular pesos complexos não ofereceu benefício real. O método de amostragem estruturada parecia lidar naturalmente bem com o desequilíbrio, de modo que o computador não precisava ser forçado a prestar atenção aos itens raros.

No entanto, a história foi diferente para o método de amostragem aleatório e caótico. Como este sistema descarta a estrutura geométrica natural da cena, ele é muito mais sensível ao desequilíbrio. Aqui, a abordagem simples e uniforme ficou aquém, ficando atrás de técnicas especializadas em até 4,6 por cento. Para este tipo de arquitetura, os pesquisadores descobriram que uma função de perda específica chamada LDAM, que ajusta como o computador aprende com seus erros, proporcionou uma melhoria perceptível. No entanto, mesmo aqui, a cautela era necessária. Outras fórmulas complexas que funcionavam bem na fotografia 2D fizeram o sistema aleatório falhar tão mal quanto a ponderação simples fez no sistema estruturado.

Os pesquisadores também observaram a "forma" do processo de aprendizado para entender por que essas diferenças ocorreram. Eles descobriram que, para o sistema estruturado, a dificuldade da tarefa de aprendizado estava ligada ao quão desequilibrados estavam os dados; quanto mais desequilibrados os dados, mais aguda e difícil se tornava a trajetória de aprendizado. Mas para o sistema aleatório, a dificuldade era impulsionada pela própria complexidade física da cena. Em ambientes internos desordenados, com muitos objetos finos como cadeiras e mesas, o caminho de aprendizado tornou-se irregular e difícil de navegar, independentemente de quantos objetos raros estivessem presentes. Isso sugere que o método aleatório tem dificuldades porque perde o contexto estrutural que ajuda o computador a compreender a cena.

Em última análise, este trabalho fornece um guia prático para engenheiros que constroem esses sistemas. Sugere que, se você estiver usando um método de amostragem estruturado, deve evitar a tentação de superdimensionar sua solução; um tratamento simples e igual para todas as classes é robusto e eficaz. Se você estiver usando um método de amostragem aleatório, precisará de uma ferramenta especializada para lidar com o desequilíbrio, mas deve escolhê-la com cuidado, pois a ferramenta errada pode quebrar o sistema inteiramente. O estudo conclui que não existe uma única solução mágica para todas as tarefas de visão 3D. Em vez disso, a eficácia de qualquer solução é moldada por uma interação delicada entre como os dados são coletados, como o computador os amostra e a natureza específica do ambiente que ele está tentando compreender.