論文の概要: Domain Adaptation based Object Detection for Autonomous Driving in Foggy and Rainy Weather

• arxiv url: http://arxiv.org/abs/2307.09676v4
• Date: Tue, 20 Aug 2024 22:36:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 23:25:53.908492
• Title: Domain Adaptation based Object Detection for Autonomous Driving in Foggy and Rainy Weather
• Title（参考訳）: 雨天・霧天における自律走行のための領域適応に基づく物体検出
• Authors: Jinlong Li, Runsheng Xu, Xinyu Liu, Jin Ma, Baolu Li, Qin Zou, Jiaqi Ma, Hongkai Yu,
• Abstract要約: ドメインギャップのため、晴れた天候下で訓練された検出モデルは、霧や雨の条件下ではうまく機能しない可能性がある。 霧や雨の天候下での領域ギャップを埋め、オブジェクト検出の性能を向上させるため、ドメイン適応型オブジェクト検出のための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.711384869027775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Typically, object detection methods for autonomous driving that rely on supervised learning make the assumption of a consistent feature distribution between the training and testing data, this such assumption may fail in different weather conditions. Due to the domain gap, a detection model trained under clear weather may not perform well in foggy and rainy conditions. Overcoming detection bottlenecks in foggy and rainy weather is a real challenge for autonomous vehicles deployed in the wild. To bridge the domain gap and improve the performance of object detection in foggy and rainy weather, this paper presents a novel framework for domain-adaptive object detection. The adaptations at both the image-level and object-level are intended to minimize the differences in image style and object appearance between domains. Furthermore, in order to improve the model's performance on challenging examples, we introduce a novel adversarial gradient reversal layer that conducts adversarial mining on difficult instances in addition to domain adaptation. Additionally, we suggest generating an auxiliary domain through data augmentation to enforce a new domain-level metric regularization. Experimental findings on public benchmark exhibit a substantial enhancement in object detection specifically for foggy and rainy driving scenarios.
• Abstract（参考訳）: 典型的には、教師付き学習に依存する自律運転のための物体検出法は、トレーニングデータとテストデータの間に一貫した特徴分布を仮定するが、このような仮定は異なる気象条件で失敗する可能性がある。 ドメインギャップのため、晴れた天候下で訓練された検出モデルは、霧や雨の条件下ではうまく機能しない可能性がある。 霧や雨の天候で検出のボトルネックを克服することは、野生に展開する自動運転車にとって真の課題だ。 霧や雨の天候下での領域ギャップを埋め、オブジェクト検出の性能を向上させるため、ドメイン適応型オブジェクト検出のための新しいフレームワークを提案する。 画像レベルとオブジェクトレベルの両方の適応は、画像スタイルとドメイン間のオブジェクトの外観の違いを最小限に抑えることを目的としている。 さらに, 課題事例に対するモデルの性能向上のために, ドメイン適応に加えて, 困難な事例に対して, 敵地雷を行う新たな逆勾配反転層を導入する。 さらに,新たな領域レベルの計量正規化を実施するために,データ拡張による補助ドメインの生成を提案する。 公的なベンチマークによる実験結果は、霧や雨の運転シナリオに特化して、物体検出の大幅な向上を示している。

関連論文リスト

• Enhancing Lidar-based Object Detection in Adverse Weather using Offset Sequences in Time [1.1725016312484975]
  ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。 本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
  論文  参考訳（メタデータ） (2024-01-17T08:31:58Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• DA-RAW: Domain Adaptive Object Detection for Real-World Adverse Weather Conditions [2.048226951354646]
  悪天候下での物体検出のための教師なし領域適応フレームワークを提案する。 提案手法は,高次特徴のスタイル関連情報に集中することで,スタイルギャップを解消する。 自己教師付きコントラスト学習を用いて、我々のフレームワークは、気象のギャップを減らし、気象汚染に対して堅牢な事例特徴を取得する。
  論文  参考訳（メタデータ） (2023-09-15T04:37:28Z)
• Domain Adaptive Object Detection for Autonomous Driving under Foggy Weather [25.964194141706923]
  本稿では,霧気候下での自律走行のための新しい領域適応型物体検出フレームワークを提案する。 本手法は画像レベルの適応とオブジェクトレベルの適応を両立させ,画像スタイルとオブジェクトの外観における領域差を低減させる。 評価実験の結果,提案手法の有効性と精度が示された。
  論文  参考訳（メタデータ） (2022-10-27T05:09:10Z)
• Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label Diffusion [51.11295961195151]
  運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。 局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。 本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
  論文  参考訳（メタデータ） (2022-06-10T05:16:50Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Multi-Target Domain Adaptation via Unsupervised Domain Classification for Weather Invariant Object Detection [1.773576418078547]
  トレーニング画像の天候がテスト画像と異なる場合、オブジェクト検出器の性能は著しく低下する。 マルチターゲットドメインへの単一ターゲットドメイン適応手法の一般化に使用できる新しい教師なしドメイン分類法を提案する。 本研究では,Cityscapesデータセットとその合成変種について実験を行った。 霧、雨、夜。
  論文  参考訳（メタデータ） (2021-03-25T16:59:35Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)
• Object Detection Under Rainy Conditions for Autonomous Vehicles: A Review of State-of-the-Art and Emerging Techniques [5.33024001730262]
  本稿では,自律走行車における物体検出能力に対する降雨条件の影響を緩和するための最先端技術に関するチュートリアルを提案する。 我々のゴールは、澄んだ雨条件下で収集した視覚データを用いて訓練・試験された物体検出手法の性能を調査し、分析することである。
  論文  参考訳（メタデータ） (2020-06-30T02:05:10Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。