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。

Jul, 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

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

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

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

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

提出了一种新的图片自适应 YOLO (IA-YOLO) 框架，采用可微分的图像处理 (DIP) 模块设计实现，从而提高在逆境气象条件下的对象检测性能，并且在弱监督学习的情况下，联合学习 CNN-PP 和 YOLOv3。实验结果表明，在雾天和低光场景中，IA-YOLO 方法显示出很好的效果。

Dec, 2021

通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明 D-YOLO 相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。

Mar, 2024

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