适用于恶劣天气条件中的对象检测的图像自适应 YOLO
通过提出的基于神经风格转换的风格化数据驱动的 YOLO 模型(SDNIA-YOLO),本研究改善了模型的鲁棒性,通过自适应地增强图像质量并从神经风格转换合成的图像中学习与极端天气条件相关的有价值信息,在真实世界的极端雾天和低光条件测试集上,相比基线模型,已开发的 SDNIA-YOLOv3 在至少 15% 的 [email protected] 改进方面取得显著的成果。此外,实验还突出了风格化数据在模拟极端天气条件方面的优异潜力。而开发的 SDNIA-YOLO 在很大程度上保持了原生 YOLO 的优秀特性,如端到端一阶段、数据驱动和快速。
Jun, 2024
通过设计双路网络和注意力特征融合模块,并提出一个子网络来为检测网络提供无霾特征,我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能,实验证明 D-YOLO 相比现有方法具有更优异的性能表现,是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。
Mar, 2024
本文介绍了一种名为 FogGuard 的新型雾天感知目标检测网络,旨在解决雾天气候条件下的挑战。通过在 YOLOv3 基础目标检测算法上引入新的教师 - 学生感知损失,我们的网络在雾天图像中实现了高准确率的目标检测,并通过对 PASCAL VOC 和 RTTS 等常见数据集的广泛评估证明了性能的提升。
Mar, 2024
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
通过解决样式差异和天气差异两个方面的问题,本文提出了一种针对目标检测的无监督领域适应框架,能够更有效地适应恶劣天气条件下的真实环境,并在恶劣天气条件下的目标检测方面优于其他方法。
Sep, 2023
本文介绍了一种创新方法,即采用去噪深度神经网络作为预处理步骤,将恶劣天气图像转换为晴朗天气图像,从而提高 ML-ADAS 系统的鲁棒性。通过使用基于 UNet 架构训练的 Weather UNet(WUNet)深度神经网络,我们的研究在恶劣天气条件下实现了物体检测性能的显著提升。特别是在极度雾霾的情况下,我们的解决方案将 YOLOv8n 的平均准确率(mAP)从 4% 提高到 70%。
Jul, 2024
我们提出了一种基于先验、领域对抗的目标检测框架,通过使用气象学原理获得的天气特定先验知识来定义新的先验对抗损失,并引入一组残差特征恢复块来去除特征空间中的扭曲,提高检测性能。在多个数据集上进行的评估明确证明了该方法的有效性。
Nov, 2019
近年来,自动驾驶汽车的研究主要集中在级别 4 和 5,对感知、决策和控制技术的发展产生了越来越大的兴趣。在感知技术方面,使用多种传感器(例如 LiDAR、雷达和相机)进行准确和快速的物体检测是首要任务。然而,这些传感器在恶劣天气条件下(如雨、雪或雾)往往难以持续准确地检测物体。因此,本研究基于实验获取的降水数据,通过 CARLA 模拟器构建了一个新的数据集,能够在各种降水条件下测试不同的网络模型。最终,利用我们的新数据集,使用一阶段检测器 YOLO 系列对不同降水条件下,从正常到极度大雨情况下的物体检测性能进行了定量验证。
Dec, 2023
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
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