論文の概要: WILD SAM: A Simulated-and-Real Data Augmentation for Autonomous Driving Perception under Challenging Weather

• arxiv url: http://arxiv.org/abs/2605.01081v1
• Date: Fri, 01 May 2026 20:24:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.572301
• Title: WILD SAM: A Simulated-and-Real Data Augmentation for Autonomous Driving Perception under Challenging Weather
• Title（参考訳）: WILD SAM: 気象条件下での自律走行知覚のための実測データ拡張
• Authors: Hamed Khatounabadi, Xiaohu Lu, Hayder Radha,
• Abstract要約: 本稿では,自律走行車における安全クリティカル領域シフト問題を軽減するための2つの新しいアプローチを提案する。 まず,悪天候下で得られた実データから発生するノイズの多い擬似ラベルをフィルタリングする,気象誘導型擬似ラベル復調フレームワークを提案する。 第2に,擬似ラベル復調法とシミュレーションに基づくトレーニングソリューションを併用した新しいハイブリッドトレーニング手法WILD SAMを開発した。
• 参考スコア（独自算出の注目度）: 6.084235400921738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of state-of-the-art object detectors degrades significantly under adverse weather, causing a safety-critical domain shift problem for autonomous vehicles. Recent efforts address this problem by relying on synthetic data to train the object detectors, which limits their real-world applicability. Meanwhile, pseudo-labeling is widely used for cross-dataset domain adaptation problems. However, these methods have not been exploited by weather-based domain adaptation approaches due to the noisy nature of such labels generated under harsh weather conditions. In this paper, we propose two new approaches to mitigate this weather-induced domain shift. First, we propose a Weather-Induced pseudo Label Denoising (WILD) framework that filters noisy pseudo labels generated by real data captured under adverse weather conditions. Second, we develop a novel hybrid training methodology, WILD SAM, that exploits both pseudo-label denoising and simulation-based training solutions while using real-data from the target harsh-weather domain. We validate both proposed approaches, WILD and WILD SAM, on the recently released Four Seasons dataset across rainy and snowy scenarios. Experiments show that the proposed frameworks improve Average Precision (AP) up to 13\% and significantly reduce the weather-induced performance gap relative to the baseline. The code is available at: https://github.com/Kh-Hamed/WILD-SAM
• Abstract（参考訳）: 最先端の物体検出器の性能は悪天候下で著しく低下し、自動運転車の安全上重要な領域シフト問題を引き起こした。 近年の取り組みでは、オブジェクト検出器を訓練するために合成データに頼ることでこの問題に対処している。 一方、擬似ラベルはクロスデータセット領域適応問題に広く用いられている。 しかし,これらの手法は,厳しい気象条件下で発生するラベルのノイズの性質から,天候に基づくドメイン適応手法によって利用されていない。 本稿では,この気象に伴う領域シフトを緩和する2つの新しいアプローチを提案する。 まず,悪天候下で取得した実データから発生するノイズの多い擬似ラベルをフィルタリングするWILD(Weather-induced pseudo Label Denoising)フレームワークを提案する。 第2に、ターゲットの厳しい天候領域からの実データを使用しながら擬似ラベル復調とシミュレーションに基づくトレーニングソリューションを利用する、新しいハイブリッドトレーニング手法WILD SAMを開発した。 我々は,最近リリースされた降雪シナリオを対象とした4季データセットにおいて,WILDとWILD SAMの2つのアプローチを検証した。 実験により,提案フレームワークは平均精度(AP)を最大13倍に改善し,ベースラインに対する気象による性能差を著しく低減した。 コードは、https://github.com/Kh-Hamed/WILD-SAMで入手できる。

関連論文リスト

• 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)
• Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions [10.306226508237348]
  逆気象条件はLiDARセンサーの性能に深刻な影響を及ぼす可能性がある。 悪天候を検出するための現在のアプローチは、大量のラベル付きデータを必要とする。 本稿では,悪天候下でのLiDAR点雲のセグメンテーションに対するラベル効率のよいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-14T10:29:00Z)
• 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)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
  本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。 提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。 悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
  論文  参考訳（メタデータ） (2023-05-25T15:03:36Z)
• 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)
• 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。