本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

Oct, 2018

本文探讨使用有针对性的合成数据增强-结合游戏引擎模拟和sim2real风格转移技术-填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单ocular深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。

Apr, 2020

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

本文探讨了基于概率的方式，采用已预训练网络的Logit层得分计算分布来进行物体识别，表明与SoftMax和Sigmoid相比，最大似然和最大后验函数更适合进行这种概率化解释，实现了良好的性能和可解释性。同时，由于这种方法可以在现有训练好的网络上实施，无需再进行训练。

Feb, 2022

本文提出一种名为Input Optimisation Network的图像预处理模型来学习优化输入数据以适用于特定目标视觉模型，研究了在自动驾驶车辆的语义分割场景中，使用Input Optimization的解决方案比使用增强训练数据和对抗性预处理模型更具竞争力，并且结合使用Input Optimization网络和微调模型的联合优化方法达到了更好的性能表现。

Nov, 2022

我们提出了一种统一的域泛化框架，通过在训练和推断阶段引入振幅增强和一致性训练方案，旨在解决协作感知系统中的域漂移和域差异问题，并通过广泛实验证明了其有效性。

Nov, 2023

我们提出使用视觉语言和大型语言模型的最新进展设计自动数据引擎（AIDE），以自动识别问题、高效筛选数据、通过自动标注改进模型，并通过生成多样化场景验证模型，从而实现模型的持续自我改进。我们还在自动驾驶数据集上建立了一个开放世界检测基准，全面评估各种学习范式，并展示了我们方法在减少成本的基础上具有卓越性能。

Mar, 2024

本研究解决了高自治车辆在恶劣天气和光照条件下的感知算法性能下降问题。我们提出A-BDD数据集，包含超过60,000个合成增强图像，并引入了新策略，利用图像质量的特征指标识别有用的数据，从而显著提高自动驾驶系统在不利环境中的有效性。

Aug, 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

本研究旨在解决将单传感器训练模型部署在现代多传感器车辆时的性能差距问题。提出了应用特定的数据增强方法，以改善对多传感器LiDAR设置的传递能力，并通过实验证明这些增强方法提高了不同LiDAR传感器设置的模型泛化能力。

Sep, 2024