För att kunna hantera så många udda trafiksituationer som möjligt har Waymo tagit hjälp av kollegor från Google Research [1]. Tillsammans har de vidareutvecklat Google Researchs existerande metoder för automatisk dataförstärkning (eng. data augmentation) och applicerat dem på Waymos dataset. Detta har möjliggjort för Waymo att utöka sitt dataset utan att behöva samla in eller annotera ny data.

Förstärkning av data gör det möjligt att öka mängden och mångfalden av data utan att någon ny data tillförs. Genom att använda olika förstärkningsstrategier som rotation, beskärning, spegling, färgförskjutning och dylikt förändrar man och omvandlar en bild med redan känt innehåll. Dessa omvandlingar gör att man skapar många nya bilder som är olika varianter av bilden med känt innehåll. 

Den här metoden används vanligtvis för klassificering av 2D objekt. Waymo och Google Research har nu visat hur de gör det för klassificering av 3D objekt detekterade med hjälp av lidar. Dessutom har de utvecklat en ny algoritm, Progressive Population Based Augmentation (PPBA), som lär sig att optimera förstärkningsstrategier genom att minska sökutrymmet och välja de bästa parametrarna som upptäckts i tidigare iterationer. 

Genom att applicera den nya metoden på Waymo Open Dataset har de visat att den ger upp till 10 gånger effektivare klassificering än motsvarande metoder utan förstärkning. I praktiken innebär detta att maskininlärningsmodeller kan tränas med färre annoterade exempel, vilket ökar chansen att upptäcka udda trafiksituationer.

Mer om den här metoden kan ni läsa om i artikeln Improving 3D Object Detection through Progressive Population Based Augmentation. 

Källor

[1] Waymo. Using automated data augmentation to advance our Waymo Driver. 2020-04-02 Länk