論文の概要: CADENet: Condition-Adaptive Asynchronous Dual-Stream Enhancement Network for Adverse Weather Perception in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.19837v1
• Date: Tue, 19 May 2026 13:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.371774
• Title: CADENet: Condition-Adaptive Asynchronous Dual-Stream Enhancement Network for Adverse Weather Perception in Autonomous Driving
• Title（参考訳）: CADENet: 自律運転における逆風知覚のための条件適応型非同期デュアルストリーム拡張ネットワーク
• Authors: Sherif Khairy, Catherine M. Elias,
• Abstract要約: 逆天候は、自動運転車のカメラによる物体検出を劣化させる。 本稿では,雨,霧,砂,雪の物体検出のためのトレーニング不要3スレッドシステムであるCADENetについて述べる。
• 参考スコア（独自算出の注目度）: 0.9668407688201359
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Adverse weather (rain, fog, sand, and snow) degrades camera-based object detection in autonomous vehicles. Existing enhancement-then-detect approaches stall the safety-critical perception loop, violating hard real-time requirements. Progress on this problem is also constrained by an under-recognized evaluation ceiling: ground truth annotated on degraded images cannot credit a detector that recovers objects the annotators themselves could not see, so a genuinely useful enhancement can register as a near-flat F1 gain. This paper presents CADENet (Condition-Adaptive Asynchronous Dual-stream Enhancement Network), a training-free three-thread system: Thread S (YOLOv11n) delivers detections at full frame rate with zero added latency; Thread Q applies condition-adaptive enhancement (CAPE) and fuses results via entropy-guided NMS (EG-NMS) without blocking Thread S; Thread E provides CLIP zero-shot weather classification, so new weather categories require only a new text prompt, with no labeled data and no retraining. Evaluated on 1327 DAWN images (YOLOv11m, IoU = 0.5, confidence = 0.25), CADENet achieves Recall = 0.0103 (micro), F1 = 0.0230 on snow, and F1 = 0.0038 on rain. We formalize the annotation completeness bias on DAWN-class data, so the reported F1 values are lower bounds on the true gain; recall is the annotation-gap-immune headline metric. Thread S sustains approximately 44 FPS regardless of enhancement load. No model retraining or additional sensor hardware is required.
• Abstract（参考訳）: 逆天候(雨、霧、砂、雪)は、自動運転車のカメラによる物体検出を低下させる。 既存のエンハンスメント検出アプローチは、安全なクリティカルな認識ループを阻害し、厳しいリアルタイム要求に違反する。 劣化した画像にアノテートされた地上の真実は、アノテータ自身が見ることができない物体を回収する検出器を信用できないため、真に有用な拡張は、ほぼ平らなF1ゲインとして登録することができる。 本稿では,CADENet(Condition-Adaptive Asynchronous Dual-stream Enhancement Network)を提案する。 Thread S (YOLOv11n) はフルフレームレートで検出を無遅延で配信する Thread Q は条件適応型拡張 (CAPE) を適用し,スレッド S をブロックすることなくエントロピー誘導 NMS (EG-NMS) を介して結果を融合する Thread E はCLIP ゼロショット気象分類を提供するため,新しい気象カテゴリはラベル付きデータやリトレーニングのない,新たなテキストプロンプトのみを必要とする。 1327 DAWN 画像 (YOLOv11m, IoU = 0.5, confidence = 0.25) で評価され、CADENet はリコール = 0.0103 (micro), F1 = 0.0230, F1 = 0.0038 となる。 DAWNクラスデータにアノテーション完全性バイアスを定式化するので、報告されたF1値は真ゲインの下位境界であり、リコールはアノテーションギャップ免疫ヘッドラインメトリックである。 Thread Sは、拡張負荷にかかわらず、約44FPSを維持できる。 モデル再訓練や追加のセンサーハードウェアは不要である。

関連論文リスト

• PVRF: All-in-one Adverse Weather Removal via Prior-modulated and Velocity-constrained Rectified Flow [69.40969296005794]
  そこで本研究では,ゼロショット型軟弱感と速度制約付き整流補正を統合した統合フレームワークを提案する。 PVRFは、最先端のベースラインよりも忠実さと知覚品質の両方を改善する。
  論文  参考訳（メタデータ） (2026-05-13T19:07:14Z)
• Selfie-Capture Dynamics as an Auxiliary Signal Against Deepfakes and Injection Attacks for Mobile Identity Verification [4.2958409172092225]
  モバイルリモートID認証(RIdV)システムは、顔のビデオストリームを操作または置換する攻撃にさらされる。 ETSI TS 119 461 や CEN/TS 18099 といったヨーロッパの近年の要求は、カメラベースのプレゼンテーション攻撃検出以上の補完的なエビデンスチャネルを動機付けている。 本稿では,自撮り撮影中に記録された受動運動軌跡が,スプーフスクリーニングとユーザ検証の補助的証拠となるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-04-30T20:46:18Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Rep Smarter, Not Harder: AI Hypertrophy Coaching with Wearable Sensors and Edge Neural Networks [0.9939775124582318]
  単一手首搭載慣性測定器(IMU)のみを用いた抵抗運動時の近距離損傷状態のリアルタイムフィードバックシステムを提案する。 ResNetベースのモデルセグメントは、6軸IMUデータからリアルタイムで繰り返し、分類モデルは、ほぼ障害状態に対応する運動窓を特定する。 Raspberry Pi 5への展開は平均で112ms、iPhone 16では23.5msとなり、エッジ計算の可能性が確認された。
  論文  参考訳（メタデータ） (2025-12-05T01:49:47Z)
• Neon: Negative Extrapolation From Self-Training Improves Image Generation [67.68670918986408]
  我々は,自己学習からの劣化を,自己改善のための強力な信号に変える新しい学習方法Neonを紹介する。 Neonは、新しい実際のデータを必要としない単純なポストホックマージを通じて、驚くほど簡単に実装でき、1kの合成サンプルで効果的に動作し、通常1%未満のトレーニング計算を使用する。
  論文  参考訳（メタデータ） (2025-10-04T01:20:30Z)
• 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)
• Weather and Light Level Classification for Autonomous Driving: Dataset, Baseline and Active Learning [0.6445605125467573]
  気象(fog,雨,雪)の分類と光度(ブライト,中等,低)の分類のための新しいデータセットを構築した。 それぞれの画像には、天気、光度、街路に対応した3つのラベルがある。 データセットの冗長性を低減し、モデルのトレーニングに最適なフレームセットを見つけるために、アクティブな学習フレームワークを実装します。
  論文  参考訳（メタデータ） (2021-04-28T22:53:10Z)

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。