使用通用的配对训练方法，改进了大型计算机视觉模型在恶劣气候下的语义分割性能，并创建了 WeatherProof 数据集，提供了准确的恶劣气候和晴朗天气的图像对，进一步改善了分割性能的评估，并通过一种采用一致性损失和语言引导的训练流程，使性能提高了 18.4%。

Dec, 2023

我们团队利用两阶段深度学习框架，在恶劣天气条件下的语义分割任务中通过预处理数据、生成高保真度地面真值，以及应用 InternImage 网络等方法，成功获得了 0.43 的平均交并比（mIoU）竞赛得分，在竞赛中获得了第四名的可观成绩。

Jun, 2024

我们提出了一种用于多种恶劣天气条件下的语义分割的方法，它结合了自适应知识获取、伪标签混合和天气组合回放，能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息，实现了比现有方法更好的性能。

Jan, 2024

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

本技术报告介绍了 CVPR'24 UG2 WeatherProof 数据集挑战的第二名实现细节，通过引入经过预训练的大规模视觉基础模型 InternImage，并使用具有不同噪声级别的图像进行训练，我们解决了图像天气退化语义分割问题，最终测试过程中使用 dense-CRF 作为后处理方式，结果以 45.1 mIOU 取得了第二名的成绩，且提交次数较其他获胜者少。

Jun, 2024

通过介绍一个适用于各种恶劣天气条件的点云数据集 SemanticSTF，我们研究了在两种情况下的全天候 3D 语义分割模型的建模：1）从正常天气数据自适应到恶劣天气数据的领域适应性 3DSS; 2）从正常天气数据学习全天候 3DSS 模型的领域通用性 3DSS，我们设计了领域随机化技术，交替随机化点云的几何样式和聚合它们的嵌入，最终导致一个可改善各种恶劣天气下 3DSS 的通用模型。

Apr, 2023

描述第一名解决方案，提出了一种增强的语义分割管道，通过使用经过深度预训练的骨干模型、语言引导和数据增强方法来改进天气下的语义分割模型，并采用有效的训练策略和集成方法来进一步提高性能。

Jun, 2024

针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

Dec, 2023

我们提出了适应恶劣天气条件下的语义分割解决方案，该解决方案通过与大规模联合数据集的预训练权重初始化 InternImage-H 骨干网络，并使用最先进的 Upernet 分割方法对其进行增强，利用离线和在线数据增强方法扩展训练集以进一步提高分割器的性能，在测试集上展示出卓越的表现，并在这一挑战赛中获得第三名。

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