adverse weather conditions | BriefGPT

关键词adverse weather conditions

搜索结果 - 42

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。
PDF8 months ago
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
PDF9 months ago
通过天气信使和对抗性反向传播的视频逆天气成分抑制网络
本研究提出了一种名为 ViWS-Net 的视频逆向天气去除框架，通过开发天气通用视频转换编码器和天气特定信息的建模机制，利用逆向梯度预测天气类型的天气鉴别器，以及基于信使的视频转换解码器实现了从各种天气条件下破损视频的完美还原。
PDF9 months ago
DA-RAW：适应真实世界恶劣天气条件下的域自适应目标检测
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。
PDF10 months ago
对自动驾驶中 Segment Anything Model (SAM) 在恶劣气象下的鲁棒性研究
本研究旨在探究 SAM 在自动驾驶中的应用，尤其是在恶劣天气条件下的鲁棒性，为未来的应用提供有价值的见解。
PDFa year ago
大规模预训练模型在恶劣天气去除中的应用探索
本文提出了一种基于空间特征表示学习和语义信息嵌入的方法，通过 CLIP 等大规模预训练模型来提高图像恢复在各种噪声天气条件下的表现，并且实验结果表明该方法达到了最先进的性能水平。
PDFa year ago
GridFormer: 残差稠密格子结构变压器用于恶劣天气条件下的图像恢复
本研究提出了一种基于 Transformer 的新型框架 GridFormer，该框架采用网格结构和残差密集 Transformer 块，引入了增强的注意力机制和残差密集 Transformer 块，可在艰难的天气条件下实现图像修复，并在五
PDFa year ago
一次性恢复任意混合恶劣气候条件下拍摄的图像
提出了一种新颖的框架 RAHC，用于恢复复杂的天气情况下的图像，同时建立了一个新的数据集 HAC，用于学习和基准测试不同的天气条件下的图像恢复方法。
PDFa year ago
ScatterNeRF：基于物理反演神经渲染实现透过迷雾
介绍了 ScatterNeRF，这是一种神经渲染方法，可以充分呈现有雾情况下的场景并分解没有雾的背景，并在没有大量训练数据的情况下进行优化，从而对复杂的天气条件进行处理以供自动驾驶汽车、机器人和无人机等应用程序使用。
PDFa year ago
恶劣天气下激光雷达感知调查
在这篇论文中，我们讨论了在恶劣天气条件下使用 LiDAR 传感器的环境感知问题，包括处理原始点云，去噪，多传感器融合等方面，发现和解决了当前研究中存在的缺陷和问题，并提出了未来值得研究的方向。
PDFa year ago
潜在的自动驾驶威胁：通用去雨攻击
本文提出了一种通用降雨攻击方法（URA），该方法通过生成一种非加性的空间扰动，显著降低了场景修复的相似度和图像生成质量，从而针对图像去雨算法的漏洞展开攻击，并证明 URA 方法可对现有单图像去雨算法减少场景修复能力和图像生成质量，从而得出了
PDF2 years ago
基于块降噪扩散模型的恶劣天气条件下视觉恢复
基于概率模型的图像修复算法，通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能，并且在实际测试图像方面具有很强的泛化性能。
PDF2 years ago
无人驾驶汽车感知应力测试中的失效情况
该论文提出了一种基于强化学习的方法来表征自主车辆 (LiDAR) 感知系统在恶劣天气条件下的故障，通过物理学数据增强技术引入干扰来探测跟踪和轨迹预测中的潜在故障。实验表明，与基线相比，我们提出的方法在较小输入干扰的情况下，发现高概率故障，同
PDF2 years ago
AAAI适用于恶劣天气条件中的对象检测的图像自适应 YOLO
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
PDF3 years ago
Lidar 光散射增强（LISA）：基于物理的 3D 物体检测的不良天气条件模拟
通过物理学模拟，提出一种蒙特卡罗混合方法用于模拟恶劣天气下的 LiDAR 点云数据，从而扩展所有天气条件下目标检测器的可靠性，并表明相对于现有模型，在现实世界的雨天场景中，模型的性能有了显著改进。
PDF3 years ago
CVPRZeroScatter: 透过散射介质进行长距离成像与视觉的域转移
本文介绍了一种利用综合方法实现数据域转换的深度学习算法 ZeroScatter，并将其应用到解决在恶劣天气下自动驾驶过程中存在的缺陷，结果表明 ZeroScatter 优于现有的单目去雾方法。
PDF3 years ago
逆境天气下，基于 CNN 的激光雷达点云去噪
本文提出了基于卷积神经网络的滤波方法，以改善在恶劣天气条件下激光雷达的场景理解表现，并且证明该方法能通过在控制天气环境下的大规模数据集上训练，显著提高性能。
PDF5 years ago
ECCV基于先验的领域自适应目标检测模型应对模糊和雨天条件
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。
PDF5 years ago
使用完全合成数据进行雾天场景的语义理解
本文提出了一种使用全新的纯合成数据进行实时雾天交通场景视觉分割的方法，并展示了其在真实数据上的适用性和与以往方法的对比优势。
PDF5 years ago
极化编码图像和自适应深度学习在恶劣天气条件下的道路场景分析
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%。
PDF5 years ago