- 基于无人机的冬季道路安全智能信息系统对自动驾驶车辆的研究
提出了一种改善自动驾驶车辆在冬季道路中驾驶挑战的方法,通过使用无人机和自动驾驶车辆的模型来分割和估计道路宽度,为自动驾驶汽车提供最新的准确信息,增强其在冬季环境下的适应能力和决策能力。
- 恶劣天气条件下激光雷达点云的标签高效语义分割
该论文提出了一种标签效率的方法,通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点,并利用半监督学习方法生成伪标签,从而显著增加训练数据量,同时还在训练过程中整合了好的天气数据,从而在良好和恶劣天气条件下均能取得高性能。在真 - RadarOcc:具备 4D 成像雷达的鲁棒三维占用预测
3D 基于占据的感知管道通过捕捉详细的场景描述并且展现出在各种对象类别和形状上的强泛化能力,显著推进了自动驾驶。为了提高感知的稳健性,我们利用车载雷达的最新进展,引入一种利用 4D 成像雷达传感器进行 3D 占据预测的新方法 RadarOc - 利用汽车雷达和激光雷达传感器预测恶劣天气对行人检测的影响
通过在受控环境中收集实证数据并引入天气过滤器模型,本文研究了道路交通中行人检测在恶劣天气条件下的性能,并发现天气对行人检测性能的影响可以预测和补偿。
- 上下文融合:基于上下文的恶劣工况下三维物体检测的多传感器融合
我们提出了一种称为 ContextualFusion 的简单而有效的技术,用于将摄像头和激光雷达在各种光照和天气条件下的行为领域知识融入到三维物体检测模型中,显著提高在不利气象条件下的自主车状态的感知性能。
- 混合降解图像恢复的联合条件扩散模型
在恶劣天气条件下,图像恢复是一项具有挑战性的任务,而盲解析图像分解技术是为了解决这个问题而提出的一种方法,它依赖于每个部分的精确估计。为了解决这些问题,我们利用物理约束来指导整个恢复过程,构建基于大气散射模型的混合退化模型,并将退化图像和退 - DPFT:基于相机雷达的物体检测的双视角融合变压器
自动驾驶车辆的感知必须高效、稳健且具有成本效益。然而,相机对恶劣天气条件不稳定,激光雷达传感器价格昂贵,基于雷达的感知性能仍然不如其他方法。已提出了相机 - 雷达融合方法来解决此问题,但这些方法通常受到雷达点云稀疏性的限制,并且往往适用于没 - 借助语言引导的恶劣天气语义分割
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。
- 汽车与无人机的超协调联邦学习在恶劣天气条件下的源免领域自适应
在分布式深度学习中,研究了联邦学习在语义分割中的应用,并针对自动驾驶领域中存在的不良天气条件问题,提出利用批量归一化和超球面原型来适应不同天气条件,并引入了第一个专注于航空器的语义分割数据集 FLYAWARE。
- V2X-DGW: 适应恶劣天气条件下的多智能体感知领域通用化
我们提出了一种名为 V2X-DGW 的领域泛化方法,用于在恶劣天气条件下基于 LiDAR 的多智能体感知系统中进行 3D 目标检测。通过学习仅在良好天气数据上,在不良天气条件下实现令人满意的多智能体性能,这是我们研究的目标。通过模拟三种常见 - D-YOLO: 逆境天气条件下的稳健物体检测框架
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 - FogGuard:利用感知损失保护 YOLO 免受雾霾影响
本文介绍了一种名为 FogGuard 的新型雾天感知目标检测网络,旨在解决雾天气候条件下的挑战。通过在 YOLOv3 基础目标检测算法上引入新的教师 - 学生感知损失,我们的网络在雾天图像中实现了高准确率的目标检测,并通过对 PASCAL - 实践中的真知:视频恶劣天气去除的扩散测试时间自适应
我们在视频中引入了测试时适应性,并提出了首个将测试时适应性整合到迭代扩散反转过程中的框架,在训练阶段,我们设计了一个基于扩散的网络和一种新颖的时间噪声模型,以高效地探索退化视频剪辑中的帧相关信息,在推理阶段,我们引入了一个名为扩散管道自校准 - FriendNet:适用于目标检测的去雾网络
该论文通过结合图像恢复和目标检测,提出了一种提升恶劣天气条件下目标检测性能的有效架构 FriendNet,并通过引导信息和任务驱动学习实现了适合检测的去雾技术。
- 利用时间中的偏移序列增强恶劣天气下的激光雷达目标检测
本研究通过处理由激光雷达传感器生成的连续数据样本,研究了增强激光雷达目标检测鲁棒性的各种策略,利用时间信息改进模型,对不利天气下的激光雷达点云进行了实验评估,发现通过引入序列帧之间的时间偏移进行数据增广的新方法,比基准模型(基于柱的目标检测 - MvKSR: 多视角知识引导的雾霾和降雨场景修复
提出了一种新颖的多视角知识引导场景恢复网络 (MvKSR),用于在恶劣的天气条件下恢复退化图像。通过引导滤波和多视角特征融合模块,MvKSR 能够高效稳定地还原智能成像系统中恶劣场景下的退化图像。
- ConstScene: 在施工环境中推进鲁棒语义分割的数据集和模型
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。
- WATonoBus:一款全天候自动驾驶班车
自动驾驶车辆的全天候操作存在重大挑战,包括感知、决策、路径规划和控制模块。我们通过提出一种多模块和模块化系统架构来解决这个问题,考虑了不良天气条件对感知层、决策层和安全监控的影响,并通过在 WATonoBus 平台上进行近一年的日常服务,证 - 设计有效的卷积网络进行雷达激光雷达融合目标检测
利用雷达和激光雷达的融合技术提高在恶劣天气条件下的物体检测和定位的准确性。
- WeatherDepth:面向恶劣天气条件下的自监督深度估计的课程对比学习
我们提出了 WeatherDepth,这是一个自监督的鲁棒深度估计模型,使用课程对比学习来应对复杂天气条件下性能下降的问题。通过逐步从晴朗到恶劣天气场景的简单到复杂的课程调整,鼓励模型逐渐掌握抵抗天气影响的有益深度线索,从而实现更平滑和更好