A-BDD:利用数据增强技术促进在恶劣天气和光照条件下的安全自动驾驶
本文提出了一个新的大规模合成数据集,用于解决自动驾驶中语义分割的领域适应问题,在各种天气和视角条件下,涵盖了七种不同类型的城市,提出了语义分割的挑战。
Apr, 2020
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
为了提高自主感知的对抗鲁棒性,我们介绍了一个由视觉语言生成模型生成的合成数据集WEDGE(WEather Images by DALL-E GEneration),该数据集包含16种极端天气条件下的3360张图像,支持天气分类和2D物体检测的研究。通过WEDGE,我们建立了基线性能,分类和检测的准确率分别达到了53.87%和45.41 mAP,并且WEDGE能够用于调节先进的检测器,如卡车类,使SOTA性能在现实天气基准测试(例如DAWN)方面提高4.48个AP。
May, 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
生成的合成道路数据集含有传感器阻塞,通过深度神经网络进行多任务网络评估和性能退化分析,为自动驾驶提供安全解决方案和深度学习算法的限制和未来发展方向。
Dec, 2023
通过改进标注流程和提出的分类体系,我们训练了一个深度学习模型来识别室外天气和危险的路况,从而实现对新情景和环境的快速反应。我们在F1得分上相对于基线模型提高了16%,同时保持了20 Hz的实时性能。
May, 2024
自动驾驶汽车在相机、激光雷达和雷达传感器的支持下进行环境导航。为解决相机和激光雷达在恶劣天气如雪、雨、雾中的表现问题,文章介绍了SemanticSpray++数据集,其中包含了湿地表面情境下相机、激光雷达和雷达数据的标注信息,为不同感知方法在湿地表面条件下车辆行驶时的性能分析提供了综合性测试环境。文章还介绍了综合性的数据统计以及对多个基线方法在不同任务中的评估和性能分析。该数据集将在指定的URL上提供。
Jun, 2024
本研究解决了自动驾驶车辆在恶劣天气条件下感知性能不足的问题,提出在语义分割训练过程中应用图像增强技术,以提升模型对多种天气条件的适应能力。研究发现,虽然在恶劣天气夜间条件下,应用增强技术显著提高了分割效果,但与天气数据训练的模型相比,增强数据训练的模型在晴朗天气外的情况下表现较低,表明领域适应方法仍有提升空间。
Aug, 2024
本研究解决了自主系统感知模型在复杂环境中的弱点问题,采用定制的基于物理的增强方法生成逼真的训练数据来提升模型的鲁棒性和表现。实验结果显示,优化的训练策略能显著提高模型性能,强调了在真实世界应用中增强模型对边缘案例的适应能力的重要性。
Aug, 2024
本研究解决了恶劣天气和低光条件对自动驾驶感知系统造成的图像质量下降问题,现有方法效果有限且多聚焦于单一条件。我们提出的全天气网络采用新颖的层级架构和可扩展的照明感知注意力机制,提升了图像质量,使得自动驾驶的语义分割性能提高了最高5.3%。此外,该模型在未知领域的推广能力表现出色,提升了最高3.9%的mIoU。
Sep, 2024