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

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

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

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

我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

Mar, 2024

本论文介绍了基于 InternImage-H 和 Mask2former 的视觉背骨和分割头以及 CascadePSP 和 Segment Anything Model 这两种后处理方法在视频语义分割中的应用，最终在 PVUW2023 VSS 赛道排名第三。

Jun, 2023

UG2 + 挑战赛 2019 年 IEEE CVPR 旨在讨论和探索低级别视觉技术如何在各种场景中有助于高级别自动视觉识别。其第二个跟踪，我们专注于在恶劣天气（雾，雨）和低光条件下导致的目标或人脸检测的可见度增强。为了提供更彻底的检查和公平比较，我们在真实的雾，雨和低光条件下引入了三个基准集合，分别注释了对象 / 人脸。通过级联现有增强和检测模型报告基线结果，表明我们的新数据具有极大的挑战性以及进一步技术创新的巨大空间。

Apr, 2019

为应对在野外进行视频全景分割任务，我们提出了一种强大的综合视频全景分割解决方案，通过将视频全景分割任务视为分割目标查询任务，利用神经网络提取的视频特征来预测分割掩码，同时添加了视频语义分割和视频实例分割等额外任务进行联合训练，提高了解决方案的学习准确性和收敛速度，最终在 VIPSeg 数据集上获得了第三名的好成绩。

Jun, 2023

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

该论文总结了在 ICCV 2023 举行的 MUAD 不确定性量化挑战中采用的获胜解决方案，重点关注城市环境中的语义分割，特别关注自然对抗情景。报告呈现了 19 个提交条目的结果，许多技术借鉴了近几年在计算机视觉和机器学习领域的重要会议和期刊中介绍的前沿不确定性量化方法。在文中介绍了挑战的目的和目标，主要集中在增强城市场景下语义分割在不同的自然对抗条件下的鲁棒性。报告还深入探讨了表现最好的解决方案，并旨在全面概述所有参与者采用的不同解决方案，以便为读者提供更深入的洞察力，了解在自动驾驶和语义分割中与城市环境中固有不确定性处理相关的各种策略。

Sep, 2023