本文介绍了一种利用综合方法实现数据域转换的深度学习算法 ZeroScatter，并将其应用到解决在恶劣天气下自动驾驶过程中存在的缺陷，结果表明 ZeroScatter 优于现有的单目去雾方法。

Feb, 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

提出一种名为 DISC 的在线领域增量学习方法，可在不需要重新训练或昂贵的内存银行的情况下，逐步学习新任务 (即天气条件)，通过分类每个域的一阶和二阶统计量变化，将统计矢量插入到相应任务的模型中，目标检测结果显示出其在不同恶劣天气条件下的一个具有挑战性的域增量自动驾驶场景下的有效性。

Apr, 2022

通过使用生成性文本到图像模型从而扩展训练集，我们改进了图像检索步骤，并通过具体和底层几何特征将真实图像和合成图像混合进行训练，实现了挑战性视觉定位数据集的显著改善。

Feb, 2024

提出了一种基于元学习 (MAML) 的框架来实现 Fine-Grained Sketch-Based Image Retrieval (FG-SBIR) 模型的快速适应新类别和绘画风格的问题，通过内循环中基于边缘对比损失的训练和外循环中引入额外的正则化损失，相比常规和零样本方法，可以获得更好的性能和精准度的几个强基线测试结果。

Jul, 2022

本文提出了一种新颖的雨水模拟方法 DRET，将动力学与雨天环境理论相结合，以提供一种经济高效的方法来扩展用于 3D 检测训练的现实雨水数据。此外，本文还提出了一种从晴天到雨天的知识蒸馏方法（SRKD），以增强在雨天条件下的 3D 检测能力。大规模数据集 WaymoOpenDataset 上的广泛实验表明，将我们提出的框架与最先进的 DSVT 模型和其他经典 3D 检测器相结合，可以显著改善检测准确性，同时不会损失效率。值得注意的是，我们的框架还能提高在晴天条件下的检测能力，因此无论天气是雨天还是晴天，都提供了一种强大的 3D 检测解决方案。

Feb, 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

本文提出了一个利用深度学习和数据增强的热红外（TIR）远程目标检测系统，该系统针对海上救援进行研究。通过使用 TIR 相机（FLIR）建立了一个自采集的 TIR 数据集，其中包括多个模拟人类救援情境的场景。此外，为了解决数据集稀缺和改善模型的鲁棒性，还收集了一个合成数据集，该数据集是从一个 3D 游戏（ARMA3）中获取的。然而，合成 TIR 图像与真实 TIR 图像之间存在显著的领域差距。因此，为了解决这个问题，本文建议了一种基于生成模型的从 3D 游戏到真实情况下的目标 - 背景分离领域自适应算法。此外，还提出了一个带有固定权重内核的分割网络，以改善信噪比（SNR）并提供弱注意力，因为远程 TIR 目标本质上具有不清晰的边界。实验结果表明，用包含翻译合成和真实 TIR 数据的增强数据训练的网络在性能上明显优于只使用真实 TIR 数据进行训练的网络。此外，所提出的分割模型超越了最先进的分割方法的性能。

Oct, 2023

提出了一种基于领域增量学习的解决方案 (Domain-Incremental Learning through Activation Matching, DILAM)，通过无监督特征对齐，将预训练模型适应于不同的天气条件，存储不同天气条件下的仿射参数，并在测试时利用轻量级的存储来自动推断天气状况，从而有效地解决了自动驾驶情景下目标检测模型在多变的天气条件下表现不佳以及遗忘的问题。

May, 2023

本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

Oct, 2020