KITTI 驾驶场景数据分析与长尾 Corner Case 挖掘

基于KITTI目标检测数据集(7481帧, 39597个标注目标),构建自动化数据分析与难例挖掘pipeline。

核心发现

• 类别严重不均衡: Car占72.6%, Person_sitting仅0.6%, 相差120倍
• 小目标占23.3%, 是模型最易漏检的类型
• 设计6维难度评分体系, 自动挖掘出1062帧(14.2%)极难场景
• 最大难度来源: 小目标(影响64.1%的帧) > 严重遮挡(50.2%) > 远距离(42.0%)

难度评分维度

维度	权重	影响帧数	占比
小目标(<32px)	2	4798	64.1%
严重遮挡(>=2)	2	3758	50.2%
远距离(>50m)	2	3144	42.0%
严重截断(>0.5)	1	2423	32.4%
稀有类别	3	1434	19.2%
密集场景(>=15)	-	1002	13.4%

项目结构

• src/01_data_overview.py - 数据集总览分析(类别/大小/遮挡/距离分布)
• src/02_hard_case_mining.py - 长尾难例自动挖掘与评分

环境

• 镜像: nvcr.io/nvidia/pytorch:24.10-py3
• 数据: KITTI 2D Object Detection (label_2)

复现

docker run --gpus all -it --rm -v <项目路径>:/workspace --shm-size=8g nvcr.io/nvidia/pytorch:24.10-py3
cd /workspace && python src/01_data_overview.py && python src/02_hard_case_mining.py