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

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

本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

May, 2023

自主导航的成功依赖于稳健和精确的车辆识别，但由于特定地区车辆检测数据集的稀缺性，阻碍了上下文感知系统的发展。为了推进地面物体检测研究，本文提出了一个用于孟加拉国常见车辆类别的本土车辆检测数据集。该数据集包括 17 个不同的车辆类别，完全注释了 17326 张图像中的 81542 个实例，每个图像宽度至少为 1280px。结果表明，该数据集在意外场景上更加稳健，对地理、光照、车辆尺寸和朝向等因素进行了充分考虑。在考察本土车辆检测数据集的背景下，本文通过四种连续的 You Only Look Once (YOLO) 模型，即 YOLO v5、v6、v7 和 v8，对数据集的有效性进行了全面评估，并与已经使用的其他车辆数据集进行了对比。实验结果表明，BNVD 数据集在 50% 交并比下的平均精度为 0.848，相应的精确度和召回率分别为 0.841 和 0.774。研究发现表明，在 0.5 到 0.95 的交并比范围内，mAP 为 0.643。实验表明，BNVD 数据集可靠地代表了车辆分布，并呈现出相当复杂性。

May, 2024

本研究提出了一种新的数据集 EVD4UAV，用于高度敏感的无人机中对车辆进行检测，包含多样的高度、车辆属性和详细的标注信息，并实施了基于白盒和黑盒的补丁攻击方法来攻击三种典型的深度神经网络目标检测器，实验结果表明这些攻击方法无法实现稳定的高度无关的攻击性能。

Mar, 2024

为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

Aug, 2022

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

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

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

自主驾驶车辆部署迅速扩张至多个城市。本研究分析了目前最先进的基于 Transformer 的目标检测器中对行人检测公平性的全面实证分析，包括经典度量和新颖的基于概率的度量，以探索保护属性和环境因素对目标检测性能的影响。

May, 2024