論文の概要: How Hard Is Snow? A Paired Domain Adaptation Dataset for Clear and Snowy Weather: CADC+

• arxiv url: http://arxiv.org/abs/2506.16531v1
• Date: Thu, 19 Jun 2025 18:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.219487
• Title: How Hard Is Snow? A Paired Domain Adaptation Dataset for Clear and Snowy Weather: CADC+
• Title（参考訳）: 雪はどのくらいハードか? 澄んだ雪の天候に適応するペアドメインデータセット: CADC+
• Authors: Mei Qi Tang, Sean Sedwards, Chengjie Huang, Krzysztof Czarnecki,
• Abstract要約: 冬期における自律運転のための最初のペア気象領域適応データセットであるCADC+を提案する。 また, 積雪が3次元物体検出性能に及ぼす影響を評価するために, CADC+を用いた予備実験を行った。
• 参考スコア（独自算出の注目度）: 3.998601924508934
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The impact of snowfall on 3D object detection performance remains underexplored. Conducting such an evaluation requires a dataset with sufficient labelled data from both weather conditions, ideally captured in the same driving environment. Current driving datasets with LiDAR point clouds either do not provide enough labelled data in both snowy and clear weather conditions, or rely on de-snowing methods to generate synthetic clear weather. Synthetic data often lacks realism and introduces an additional domain shift that confounds accurate evaluations. To address these challenges, we present CADC+, the first paired weather domain adaptation dataset for autonomous driving in winter conditions. CADC+ extends the Canadian Adverse Driving Conditions dataset (CADC) using clear weather data that was recorded on the same roads and in the same period as CADC. To create CADC+, we pair each CADC sequence with a clear weather sequence that matches the snowy sequence as closely as possible. CADC+ thus minimizes the domain shift resulting from factors unrelated to the presence of snow. We also present some preliminary results using CADC+ to evaluate the effect of snow on 3D object detection performance. We observe that snow introduces a combination of aleatoric and epistemic uncertainties, acting as both noise and a distinct data domain.
• Abstract（参考訳）: 降雪が3次元物体検出性能に与える影響は未解明のままである。 このような評価を行うには、両方の気象条件から十分なラベル付きデータを持つデータセットが必要であり、理想的には同じ運転環境で取得される。 現在のLiDAR点雲による運転データセットは、雪と澄んだ天候条件の両方で十分なラベル付きデータを提供していないか、あるいは合成した澄んだ天気を生成するための解凍法に依存している。 合成データはリアリズムを欠くことが多く、正確な評価を裏付ける追加のドメインシフトを導入する。 これらの課題に対処するため,冬期における自律運転のための最初のペア気象領域適応データセットであるCADC+を提案する。 CADC+はCanadian Adverse Driving Conditions(CADC)データセットを拡張し、同じ道路とCADCと同じ期間に記録された明確な気象データを使用する。 CADC+を作成するために、雪の列にできるだけ近い晴れた天気の列と、それぞれのCADCシーケンスをペアリングする。 CADC+は、雪の存在と無関係な要因から生じる領域シフトを最小化する。 また, 積雪が3次元物体検出性能に及ぼす影響を評価するために, CADC+を用いた予備実験を行った。 我々は,雪がアレータリズムと疫学的な不確実性の組み合わせを導入し,ノイズと異なるデータ領域の両方として機能することを観察した。

関連論文リスト

• REHEARSE-3D: A Multi-modal Emulated Rain Dataset for 3D Point Cloud De-raining [0.5668912212306543]
  我々は,3Dポイント・クラウド・デレイニングにおける研究の進展を促進するため,大規模で多モードの降雨データセットREHEARSE-3Dを新たにリリースした。 第一に、4D Radar点雲に富む高解像度のLiDARデータを持つ唯一のデータセットである。 We benchmark raindrop detection and removal in fused LiDAR and 4D Radar point clouds。
  論文  参考訳（メタデータ） (2025-04-30T14:43:38Z)
• Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions [4.133835011820212]
  LiDAR点雲における3次元物体追跡は、屋外知覚にとって重要な課題である。 現在の3DSOTメソッドの素晴らしいパフォーマンスにもかかわらず、それらをクリーンなデータセットで評価することは、包括的なパフォーマンスを反映していない。 主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。
  論文  参考訳（メタデータ） (2025-01-13T08:44:35Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Ithaca365: Dataset and Driving Perception under Repeated and Challenging Weather Conditions [0.0]
  我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。 データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。 道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
  論文  参考訳（メタデータ） (2022-08-01T22:55:32Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
  トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。 実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-11-29T18:57:09Z)
• 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。