知识点 › 场景挖掘与标注

数据配比

Data Mixture

场景挖掘与标注Lv.2

定义

决定训练集里各类场景的采样权重：简单场景做基底、长尾场景过采样、新开城/新车型加权、旧场景防遗忘。配比错了，模型会在「刷指标」和「真能用」之间跑偏。

关键要点

  • 常用策略：按难度分层 + 温度采样（长尾权重 ∝ 稀缺度^α）
  • 新数据加入要监控「遗忘」：老场景指标是否回退
  • 配比要版本化，否则「指标涨了」无法归因

面试怎么答

讲「基底 + 过采样 + 防遗忘」三件事，并说清 α 怎么调。

相关知识

  • 课程学习与难例训练 — 先易后难、或对难例加权：按难度分阶段训练、OHEM（在线难例挖掘）、focal loss、长尾重采样。目的是让有限容量…
  • 样本中心与样本工厂 — 样本 = 基础文件的组合：基础文件含 TV 视频、PCD 点云、GPS、autolabel、manual_label …
  • 采样与去重算子 — 按场景分层与配额抽样；用感知哈希 / CLIP 向量 / 轨迹 DTW 做近邻去重；类别平衡与长尾过采样。决定「进训练…
  • 数据闭环 — 把「真实世界产生的数据」持续转化为「车端模型能力」的工程体系：车端采集 → 回传 → 存储治理 → 场景挖掘与标注 →…
在星图上打开这颗星 →