論文の概要: WARLearn: Weather-Adaptive Representation Learning

• arxiv url: http://arxiv.org/abs/2411.14095v1
• Date: Thu, 21 Nov 2024 13:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:19:02.237770
• Title: WARLearn: Weather-Adaptive Representation Learning
• Title（参考訳）: WARLearn: 天気適応型表現学習
• Authors: Shubham Agarwal, Raz Birman, Ofer Hadar,
• Abstract要約: WARLearnは、挑戦的かつ敵対的な気象条件下で適応的な表現学習のために設計された新しいフレームワークである。 本手法は霧と低照度を特徴とするシナリオにおいて顕著な性能向上を示す。
• 参考スコア（独自算出の注目度）: 4.5035146256368455
• License:
• Abstract: This paper introduces WARLearn, a novel framework designed for adaptive representation learning in challenging and adversarial weather conditions. Leveraging the in-variance principal used in Barlow Twins, we demonstrate the capability to port the existing models initially trained on clear weather data to effectively handle adverse weather conditions. With minimal additional training, our method exhibits remarkable performance gains in scenarios characterized by fog and low-light conditions. This adaptive framework extends its applicability beyond adverse weather settings, offering a versatile solution for domains exhibiting variations in data distributions. Furthermore, WARLearn is invaluable in scenarios where data distributions undergo significant shifts over time, enabling models to remain updated and accurate. Our experimental findings reveal a remarkable performance, with a mean average precision (mAP) of 52.6% on unseen real-world foggy dataset (RTTS). Similarly, in low light conditions, our framework achieves a mAP of 55.7% on unseen real-world low light dataset (ExDark). Notably, WARLearn surpasses the performance of state-of-the-art frameworks including FeatEnHancer, Image Adaptive YOLO, DENet, C2PNet, PairLIE and ZeroDCE, by a substantial margin in adverse weather, improving the baseline performance in both foggy and low light conditions. The WARLearn code is available at https://github.com/ShubhamAgarwal12/WARLearn
• Abstract（参考訳）: 本稿では,適応型表現学習のための新しいフレームワークであるWARLearnを紹介する。 バーロウ・ツインズで使用されている不分散プリンシパルを活用して、当初、晴れた気象データに基づいて訓練された既存のモデルを移植して、悪天候を効果的に処理できることを実証する。 追加訓練を最小限にすることで,霧と低照度を特徴とするシナリオにおいて,顕著な性能向上を示す。 この適応フレームワークは、悪天候設定を越えて適用性を拡張し、データ分散のバリエーションを示すドメインに汎用的なソリューションを提供する。 さらにWARLearnは、データ分散が時間とともに大きなシフトを経験し、モデルのアップデートと正確性を維持するシナリオにおいて、重要な存在である。 実験の結果,平均的な平均精度 (mAP) は52.6%で, 実世界の霧のデータセット (RTTS) では顕著な性能を示した。 同様に、低照度環境では、我々のフレームワークは、目に見えない現実世界の低照度データセット(ExDark)上で55.7%のmAPを達成する。 特にWARLearnは、FeatEnHancer、Image Adaptive YOLO、DENet、C2PNet、PairLIE、ZeroDCEといった最先端のフレームワークのパフォーマンスを、悪天候のかなりのマージンで上回り、霧と低光の条件下でのベースライン性能を改善している。 WARLearnコードはhttps://github.com/ShubhamAgarwal12/WARLearnで入手できる。

関連論文リスト

• Real-Time Weather Image Classification with SVM [3.842565887299043]
  本稿では,画像中の気象条件を,雨,低照,迷路,クリアの4つのカテゴリに分類する。 この作業の動機は、自動化システムの信頼性と効率性を改善する必要性にある。
  論文  参考訳（メタデータ） (2024-09-01T19:41:35Z)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
  ビデオの悪天候除去におけるテスト時間適応について紹介する。 本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T14:21:30Z)
• WeatherProof: A Paired-Dataset Approach to Semantic Segmentation in Adverse Weather [9.619700283574533]
  本稿では,悪天候条件下での画像の性能向上につながる一般的なペア学習手法を提案する。 我々は、正確な晴天と悪天候画像のペアで、最初のセマンティックセグメンテーションデータセットを作成する。 その結果,これら2組の晴天フレームと悪天候フレームのトレーニングにより,悪天候データの性能が向上することが判明した。
  論文  参考訳（メタデータ） (2023-12-15T04:57:54Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。 我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
  低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。 この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。 我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-17T18:50:15Z)
• Adaptive Fairness-Aware Online Meta-Learning for Changing Environments [29.073555722548956]
  公正を意識したオンライン学習フレームワークは、継続的な生涯学習環境のための強力なツールとして生まれてきた。 既存の手法は、データに対するi.i.dの仮定を多用し、フレームワークに静的な後悔の分析を提供する。 バイアス制御とモデル精度の両方で変化する環境に適応できる適応的公平性を考慮したオンラインメタ学習アルゴリズムであるFairSAOMLを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:29:38Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。