論文の概要: XWOD: A Real-World Benchmark for Object Detection under Extreme Weather Conditions
- arxiv url: http://arxiv.org/abs/2605.11521v1
- Date: Tue, 12 May 2026 04:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.584112
- Title: XWOD: A Real-World Benchmark for Object Detection under Extreme Weather Conditions
- Title（参考訳）: XWOD:極端気象条件下での物体検出のリアルタイムベンチマーク
- Authors: Chih-Hsin Chen, Yu-Tung Liu, Amar Fadillah, Kuan-Ting Lai, Dong Liu,
- Abstract要約: XWOD (Extreme Weather Object Detection) は,大規模実世界の交通物体検出ベンチマークである。
データセットには、車、人、トラック、オートバイ、自転車、バスを含む6つの交通対象カテゴリが含まれている。
XWODは、洪水、竜巻、山火事など、気候を増幅する新しい種類のハザードを最初にカバーした。
- 参考スコア（独自算出の注目度）: 6.18963763781077
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous driving and intelligent transportation systems remain vulnerable under extreme weather. The U.S. Federal Highway Administration reports that roughly 745,000 crashes and 3,800 fatalities per year are weather-related, and recent regulatory investigations have examined failures of Level-2/3 driving systems under reduced-visibility conditions. However, datasets commonly used to evaluate weather robustness remain limited in scale, diversity, and realism. In this paper, we introduce XWOD (Extreme Weather Object Detection), a large-scale real-world traffic-object detection benchmark containing 10,010 images and 42,924 bounding boxes across seven extreme weather conditions: rain, snow, fog, haze/sand/dust, flooding, tornado, and wildfire. The dataset covers six traffic-object categories, including car, person, truck, motorcycle, bicycle, and bus. XWOD extends the weather taxonomy from one to seven conditions, and is the first to cover the emerging class of climate-amplified hazards, such as flooding, tornado, and wildfire. To evaluate the quality of our data, we train standard YOLO-family detectors on XWOD and test them zero-shot on external weather benchmarks, achieving mAP$_{50}$ scores of 63.00% on RTTS, 59.94% on DAWN, and 61.12% on WEDGE, compared with the corresponding published YOLO-based baselines of 40.37%, 32.75%, and 45.41%, respectively, representing relative improvements of 56%, 83%, and 35%. These cross-dataset results show that XWOD provides a strong source domain for learning weather-robust traffic perception. We release the dataset, splits, baseline weights, and reproducible evaluation code under a research-use license.
- Abstract（参考訳）: 自動運転とインテリジェント交通システムは、極端な天候下でも脆弱である。
アメリカ連邦ハイウェイ局は、約745,000件の事故と年間3,800件の死亡事故が気象に関するものであると報告しており、近年の規制調査では、視認性低下条件下でのレベル2/3運転システムの故障を調査している。
しかし、気象の堅牢性を評価するために一般的に使われるデータセットは、スケール、多様性、リアリズムに制限されている。
本稿では, 降雨, 雪, 霧, 風/砂/塵, 洪水, 竜巻, 山火事の7つの極端な気象条件にまたがる, 10,010 画像と 42,924 境界ボックスを含む大規模実世界の交通物検出ベンチマークである XWOD (Extreme Weather Object Detection) を紹介する。
データセットには、車、人、トラック、オートバイ、自転車、バスを含む6つの交通対象カテゴリが含まれている。
XWODは気象の分類を1から7の条件に拡張し、洪水、竜巻、山火事など、気候を増幅する新しい種類の危険を最初にカバーした。
我々のデータの品質を評価するため、XWODで標準のYOLO検出器を訓練し、外部気象ベンチマークでゼロショットをテストし、RTTSで63.00%、DAWNで59.94%、WEDGEで61.12%を達成した。
これらのクロスデータセットの結果から、XWODは天候に悪影響のある交通知覚を学習するための強力なソースドメインを提供することを示している。
研究用ライセンスの下でデータセット、分割、ベースラインウェイト、再現可能な評価コードをリリースします。
関連論文リスト
- HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation [11.667208452607959]
悪天候および照明条件下でのレーンシーンの高忠実度生成フレームワークであるHG-Laneを提案する。
実験により,本手法は既存の車線検出ネットワークの性能を継続的に,かつ著しく向上させることを示した。
論文 参考訳（メタデータ） (2026-03-10T18:04:35Z) - TSBOW: Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions [17.496577478793906]
既存のデータセットは、しばしば軽い干し草、雨、雪に限られており、極端な気象条件を捉えていない。
このギャップに対処するため,様々な気象条件下での降着車に対する交通サーベイランスベンチマーク(TSBOW)を導入する。
人口密度の高い都市部から32時間以上の実世界の交通データを収集し、TSBOWは48,000以上の手動注釈と320万のセミラベルフレームを含んでいる。
論文 参考訳（メタデータ） (2026-02-05T07:52:37Z) - Quantile-Physics Hybrid Framework for Safe-Speed Recommendation under Diverse Weather Conditions Leveraging Connected Vehicle and Road Weather Information Systems Data [25.57915134826693]
本研究では,様々な気象条件下での高速道路走行において,リアルタイムの安全速度間隔を推奨するハイブリッド予測フレームワークを提案する。
ニューヨーク州バッファローで73日間に660万以上のレコードを含むデータセットを構築した。
モデルが気象条件の変化に対応し、道路セグメントをまたいで一般化する能力は、現実世界の展開を約束する。
論文 参考訳（メタデータ） (2026-02-04T21:06:32Z) - Adver-City: Open-Source Multi-Modal Dataset for Collaborative Perception Under Adverse Weather Conditions [1.4963011898406866]
逆気象条件は、自律走行車の普及に重大な課題をもたらす。
本稿では,悪天候に着目した初のオープンソース総合コラボレーション知覚データセットであるAdver-Cityを紹介する。
24万フレーム、890万アノテーション、および6つの異なる気象条件にまたがる110のシナリオを含んでいる。
論文 参考訳（メタデータ） (2024-10-08T21:26:22Z) - WEDGE: A multi-weather autonomous driving dataset built from generative
vision-language models [51.61662672912017]
本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。
WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。
53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
論文 参考訳（メタデータ） (2023-05-12T14:42:47Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - 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) - Rapid Assessments of Light-Duty Gasoline Vehicle Emissions Using On-Road
Remote Sensing and Machine Learning [18.334974501482275]
道路上での自動車排ガスのリアルタイムかつ正確な評価は、都市大気の質と健康政策において中心的な役割を果たす。
ここでは、オンロードリモートセンシング(ORRS)測定をI/Mレコードに関連付ける103831光デューティガソリン車を含む、ユニークなデータセットを構築します。
ニューラルネットワーク(NN)、極勾配強化(XGBoost)、ランダムフォレスト(ランダムフォレスト)を含む3つの機械学習アルゴリズムを統合するアンサンブルモデルフレームワークを開発した。
論文 参考訳（メタデータ） (2021-10-01T08:37:06Z) - 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) - 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous Driving [43.09957836757648]
本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。
その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
論文 参考訳（メタデータ） (2020-09-14T12:31:20Z)
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。