通过利用三色线性偏振作为额外提示，作者提出了一种新的基于学习的车辆检测方法，该方法可以解决车辆检测算法在光照 / 天气条件和车辆密度变化大的场景中的稳定性和准确性问题，通过多模态融合网络动态集成颜色和偏振特征，能够探索所有学习样本中车辆的固有材料特性，并在实验证明了该方法优于现有最先进的检测方法，表明偏振是一种强大的车辆检测提示。

Jan, 2024

本文中，我们分析了使用 RGB 偏振相机相比 RGB 相机在感知任务中的潜在效果，并探讨了深度神经网络的应用，研究表明，使用 RGB 偏振相机可以在双目深度估计和自由空间检测方面实现可量化的改进，同时，我们还提出了一种新的数据集，为感知算法的发展提供了支持。

May, 2023

本文提出使用基于深度生成模型的图像翻译技术 CycleGAN 来将大型标记路景数据集转换到极化领域，通过一些附加损失项来处理极化图像的物理约束条件，从而实现在道路场景的物体检测任务中提高汽车和行人检测的性能高达 9％的目标，该方法已经公开发布以供其他人使用。

Jun, 2022

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

通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

Jan, 2022

本文介绍了一种新的行人检测方法，基于跨模态学习框架、深度卷积神经网络等技术，可在恶劣光照条件下实现行人检测，并在公开数据集上表现出优异的性能。

Apr, 2017

本文提出了一种使用偏振线索高效获取物体形状和空间变化反射的新方法，其中偏振成像与深度学习相结合，可以在正面闪光照射下使用单视角偏振成像实现高质量估计物体形状和反射。

May, 2021

这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

Jul, 2023

提出了一种新的图片自适应 YOLO (IA-YOLO) 框架，采用可微分的图像处理 (DIP) 模块设计实现，从而提高在逆境气象条件下的对象检测性能，并且在弱监督学习的情况下，联合学习 CNN-PP 和 YOLOv3。实验结果表明，在雾天和低光场景中，IA-YOLO 方法显示出很好的效果。

Dec, 2021

本研究使用北欧地区的无人机图像数据集（Nordic Vehicle Dataset）评估了最先进的车辆检测算法在恶劣天气条件下的性能，并针对其中的困难问题提出了一系列针对不同检测框架的增强方法，包括数据增强、超参数调整、迁移学习以及针对 DETR 模型的新策略。研究结果不仅凸显了当前车辆检测系统在北欧环境中存在的局限性，而且为改善这些算法在冬季景观的复杂性中的鲁棒性和准确性提供了有希望的方向。

Mar, 2024