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

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

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

本文针对视频语义分割问题，探究利用对比损失增强时空相关性，以及多数据集训练对模型的影响，并将两种模型的输出进行聚合，最终在 VSPW 数据集上达到了 65.95% mIoU 的性能，在 CVPR 2023 的 VSPW 挑战上取得了第一名。

Jun, 2023

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

大规模部署的全自动驾驶车辆需要非常高的稳健性来应对复杂的交通和恶劣天气条件，并且应该避免不安全的错误预测。本研究介绍了 IDD-AW 数据集，它提供了 5000 对高质量图像和像素级注释，这些图像是在雨天、雾天、低光和雪天等复杂驾驶条件下捕获的。相比其他恶劣天气数据集，我们提供了更多的标注图像、每一帧的配对近红外（NIR）图像和更大的标签集，以捕捉复杂的交通条件。我们在 IDD-AW 数据集上对语义分割的最新模型进行了基准测试，并提出了一种称为 “Safe mean Intersection over Union（Safe mIoU）” 的新度量标准，用于惩罚传统定义中没有捕捉到的危险误判，结果表明 IDD-AW 是迄今为止这些任务中最具挑战性的数据集。数据集和代码可点击此链接获取。

Nov, 2023

为了实现自主驾驶高安全性要求下的鲁棒性，本文提出了一种新数据集的收集方法，覆盖多种天气、交通和场景，包含图像和点云数据以及高精度 GPS/INS 数据，并在此基础上分析了自动驾驶的三个关键问题的性能表现。

Aug, 2022