論文の概要: WeatherSeg: Weather-Robust Image Segmentation using Teacher-Student Dual Learning and Classifier-Updating Attention

• arxiv url: http://arxiv.org/abs/2604.22824v2
• Date: Tue, 28 Apr 2026 05:54:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 14:06:43.821717
• Title: WeatherSeg: Weather-Robust Image Segmentation using Teacher-Student Dual Learning and Classifier-Updating Attention
• Title（参考訳）: 天気予報:教師が指導する双対学習と分類器更新注意を用いた気象ロス画像のセグメンテーション
• Authors: Zhang Zhang, Yifeng Zeng, Houshi Jiang, Yinghui Pan,
• Abstract要約: WeatherSegは、高度な半影響セグメンテーションフレームワークである。 悪天候下での自動運転の環境認識の課題に対処する。 自律運転における全天候セマンティックセグメンテーションの効果的な解法である。
• 参考スコア（独自算出の注目度）: 6.69288555047147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: WeatherSeg, an advanced semi-supervised segmentation framework, addresses autonomous driving's environmental perception challenges in adverse weather while reducing annotation costs. This framework integrates a Dual Teacher-Student Weight-Sharing Model (DTSWSM) that enables knowledge distillation from weather-affected images, and a Classifier Weight Updating Attention Mechanism (CWUAM) that dynamically adjusts classifier weights based on environmental attributes. Comprehensive evaluations demonstrate that WeatherSeg significantly outperforms baseline models in both accuracy and robustness across various weather conditions, including clear, rainy, cloudy, and foggy scenarios, establishing it as an effective solution for all-weather semantic segmentation in autonomous driving and related applications.
• Abstract（参考訳）: 高度な半教師付きセグメンテーションフレームワークであるWeatherSegは、アノテーションコストを削減しつつ、悪天候下での自動運転の環境認識課題に対処する。 このフレームワークは、気象に影響を受けた画像からの知識蒸留を可能にするDual Teacher-Student Weight-Sharing Model (DTSWSM)と、環境特性に基づいて分類器重量を動的に調整するClassifier Weight Updating Attention Mechanism (CWUAM)を統合する。 総合的な評価により、WeatherSegは、澄んだ、雨、曇り、霧のシナリオを含む様々な気象条件において、ベースラインモデルの精度と堅牢性の両方において著しく優れており、自動運転および関連するアプリケーションにおける全天候セマンティックセマンティックセグメンテーションの効果的なソリューションとして確立されている。

関連論文リスト

• AutoAWG: Adverse Weather Generation with Adaptive Multi-Controls for Automotive Videos [7.720806181437183]
  本稿では,自律運転のための制御可能な逆気象映像生成フレームワークAutoAWGを提案する。 本手法では,高度気象のスタイリゼーションと安全臨界目標の高忠実度保存のバランスをとるために,複数の制御のセマンティクス誘導型適応融合を用いる。 その結果,スタイルの忠実度,時間的整合性,意味的構造的整合性の利点が示された。
  論文  参考訳（メタデータ） (2026-04-21T02:24:49Z)
• Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
  本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。 提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。 このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-28T10:52:15Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
  本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。 このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
  論文  参考訳（メタデータ） (2024-11-08T07:46:50Z)
• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• GA-SmaAt-GNet: Generative Adversarial Small Attention GNet for Extreme Precipitation Nowcasting [1.642094639107215]
  本稿では,極度の降水量予測のための新しい生成逆解析フレームワークであるGA-SmaAt-GNetモデルを提案する。 オランダの降水量データを用いて,SmaAt-GNetとGA-SmaAt-GNetの性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-18T10:53:45Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• 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)
• 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。