يقدم هذا التقرير طريقة عملنا التي فازت بتحدي الكشف ثلاثي الأبعاد في nuScenes [17] الذي أقيم في ورشة العمل حول القيادة الذاتية (WAD، CVPR 2019). بشكل عام، نستخدم التحويل الثلاثي الأبعاد النادر لاستخراج خصائص معنوية غنية، والتي يتم تغذيتها بعد ذلك إلى شبكة متعددة الرؤوس متوازنة حسب الفئة لأداء الكشف عن الأجسام ثلاثية الأبعاد. للتعامل مع مشكلة عدم التوازن الشديد بين الفئات المتأصلة في سيناريوهات القيادة الذاتية، قمنا بتصميم استراتيجية عينة وتضخيم متوازنة حسب الفئة لتوليد توزيع بيانات أكثر توازناً. بالإضافة إلى ذلك، اقترحنا رأس تجميع متوازن لتعزيز الأداء للفئات ذات الأشكال المشابهة. بناءً على نتائج التحدي، فإن طريقتنا تتفوق على الأساس المرجعي PointPillars [14] بمarge كبير في جميع المقاييس، مما يحقق أفضل أداء كشف على مجموعة بيانات nuScenes. سيتم إصدار الكود في CBGS.