Jul, 2023

自动驾驶中雾天和雨天强化目标检测的域适应

PDF
TL;DR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。
发现论文，激发创造
  • DA-RAW：适应真实世界恶劣天气条件下的域自适应目标检测

    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

  • 基于先验的领域自适应目标检测模型应对模糊和雨天条件

    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

  • 雪景清晰检测：一种在恶劣天气条件下的交通信号灯检测鲁棒模型

    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

  • FogGuard：利用感知损失保护 YOLO 免受雾霾影响

    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

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 领域自适应目标检测的强健学习方法

    本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

    Apr, 2019

  • 通过对抗性域自适应解决户外机器人外观变化问题

    天气和季节变化对机器学习在户外机器人系统中的稳定实现产生了强烈的阻碍，为了解决这个问题，本文提出了一种以对抗技术为基础的无监督领域自适应框架，并应用于自动驾驶中解决自由空间分割问题。

    Mar, 2017

  • 恶劣天气下的视觉：利用 CycleGAN 和各种目标检测器进行增强，实现自主赛车中的鲁棒感知

    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

  • 面向多雨条件下的鲁棒三维物体检测

    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

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019