恶劣天气下的多回声降噪
本文提出了基于卷积神经网络的滤波方法,以改善在恶劣天气条件下激光雷达的场景理解表现,并且证明该方法能通过在控制天气环境下的大规模数据集上训练,显著提高性能。
Dec, 2019
本文提出了一种利用基于能量的框架进行异常点检测的新方法,可以准确识别复杂气象条件下 LiDAR 数据中的噪声,有效提高自动驾驶车辆的可靠性。在广泛的实验中,该方法在异常气象检测方面的表现优于当前最先进的方法,具有更高的鲁棒性,并且可以用于同时进行异常点检测和语义分割。为了推进气象复杂条件下 LiDAR 感知的研究领域,我们还发布了 SemanticSpray 数据集。
May, 2023
该论文提出了一种标签效率的方法,通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点,并利用半监督学习方法生成伪标签,从而显著增加训练数据量,同时还在训练过程中整合了好的天气数据,从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示,我们的方法在检测雪、雾和水雾方面表现良好。此外,我们在使用的标记数据只有一小部分的情况下,实现了与完全监督方法相竞争的性能。
Jun, 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
通过物理学模拟,提出一种蒙特卡罗混合方法用于模拟恶劣天气下的 LiDAR 点云数据,从而扩展所有天气条件下目标检测器的可靠性,并表明相对于现有模型,在现实世界的雨天场景中,模型的性能有了显著改进。
Jul, 2021
本研究通过处理由激光雷达传感器生成的连续数据样本,研究了增强激光雷达目标检测鲁棒性的各种策略,利用时间信息改进模型,对不利天气下的激光雷达点云进行了实验评估,发现通过引入序列帧之间的时间偏移进行数据增广的新方法,比基准模型(基于柱的目标检测)和无增广的方法提高了目标检测准确性。
Jan, 2024
通过对逆境天气影响因素的详细分析,本文提出了新的数据增强技术来改善 LiDAR 语义分割模型的性能,在对抗恶劣天气条件下取得了显著的改进。
Jul, 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
本文提出了一种方法,使用计算机图形和生成模型相结合,通过扩充现有的晴天数据以模拟恶劣天气状况,将增广用于无监督深度估计,进而引入伪监督损失来解决降低性能的问题。
Jul, 2023