本篇论文研讨了一种基于极化成像模态的新型物体识别技术，证明该技术在恶劣气候条件下比 RGB 图像更具有效性，能有效提高不同检测任务的状态机会 20% 至 50%。

Oct, 2019

本文提出利用一种新颖的模块（NIM）来提高现有卷积神经网络（CNNs）对于自动驾驶中行驶区域和路面异常的检测精度。作者在实验中将我们的 NIM 应用到 12 种现有的 CNNs 上，实验结果表明，我们的 NIM 能够显著提高 CNNs 对于行驶区域和路面异常的检测精度，且在 KITTI 路标奖励上排名第 8，拥有实时推理速度。

Aug, 2020

通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

Jun, 2024

本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

建议利用传感器和算法的组合，建立一个适用于视障人士的导航系统，该系统基于传统的 RGB-D 相机，结合鱼眼相机的信息，提供了对环境的鲁棒性与可靠性，使用户能够规划路径并避开障碍物。

Jan, 2024

通过使用先进的天气监测网络来过滤喷雾，这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力，并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明，该方法改善了多个热门的 3D 物体检测器对泥水喷溅的稳健性。

Oct, 2023

本文介绍了二 / 三维道路数据获取的传感系统（相机、激光扫描仪和微软 Kinect），并全面综述了用于道路坑洞检测的最先进计算机视觉算法，包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法，同时讨论了现有挑战和未来发展趋势。

Apr, 2022

本文提出了一种用于自动驾驶的路侧多类型多组传感器检测系统 ——RMMDet，通过在 ROS 模拟环境中实现多类型传感器和多组传感器的融合检测，并将多智能体协同调度系统与融合检测系统连接起来，构建了一个道路感知、融合检测和调度规划的路侧检测系统。实验证明，RMMDet 系统在车辆 - 道路协同及其优化方面发挥了重要作用。

Mar, 2023

提出一种基于视差转换算法的关注聚合框架和训练集增强技术，用于改善道路坑洞检测的语义分割网络，实验结果表明其性能优于现有的单模态和数据融合网络。

Aug, 2020

该研究提出了一种双重关注和双频引导去雾网络（称为 DADFNet）用于实时视野增强，以改善交通管理系统中受恶劣天气影响的图像检测精度。

Apr, 2023