論文の概要: Weather-Aware Domain Adaptation for Street-View Weather Recognition

• arxiv url: http://arxiv.org/abs/2610.02000v1
• Date: Thu, 01 Oct 2026 16:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.286978
• Title: Weather-Aware Domain Adaptation for Street-View Weather Recognition
• Title（参考訳）: ストリートビュー気象認識のための天気対応ドメイン適応
• Abstract要約: 雨、雪、霧、ほこりなどの逆条件は、自律運転におけるカメラベースの認識にとって依然として困難である。 ドメインシフト下でのストリートビュー画像からのマルチクラス気象認識について検討する。 本稿では,天気予報に領域判別器を適応させるWA-ADDA(Weather-Aware Adrial Discriminative Domain Adaptation)を提案する。
• 参考スコア（独自算出の注目度）: 3.405761430609522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adverse conditions such as rain, snow, fog, and dust remain challenging for camera-based perception in autonomous driving. We study multi-class weather recognition from street-view images under domain shift, where most available training data come from non-street-view sources that differ markedly from real driving scenes. We propose Weather-Aware Adversarial Discriminative Domain Adaptation (WA-ADDA), which conditions the domain discriminator on predicted weather to promote features that are both domain-invariant and weather-sensitive. We also assemble a multi-dataset benchmark by unifying diverse non-street-view weather collections as sources and real street-view images as targets, and define a standardized evaluation protocol with macro accuracy as the primary metric. Across backbones (ResNet-50, EfficientNet, VGG, DenseNet), WA-ADDA consistently improves street-view performance and yields strong per-class recalls in challenging conditions while preserving clear-weather accuracy. These findings highlight the feasibility of domain-adapted weather recognition and the value of our benchmark for advancing robust, on-board perception.
• Abstract（参考訳）: 雨、雪、霧、ほこりなどの逆条件は、自律運転におけるカメラベースの認識にとって依然として困難である。 実際の走行シーンとは大きく異なるストリートビュー以外のソースから得られるトレーニングデータの大半を、ドメインシフト下でのストリートビュー画像からのマルチクラス気象認識について検討する。 本稿では,予測気象に対する領域判別器の条件を定めるWA-ADDA(Weather-Aware Adversarial Discriminative Domain Adaptation)を提案する。 我々はまた、様々なストリートビューの天気予報をソースとして統合し、実際のストリートビュー画像をターゲットとし、マクロ精度で標準化された評価プロトコルを主指標として定義することで、マルチデータセットのベンチマークを組み立てる。 バックボーン全体の(ResNet-50、EfficientNet、VGG、DenseNet)WA-ADDAは、常にストリートビューのパフォーマンスを改善し、クリアウェザー精度を維持しながら、挑戦的な条件下でクラスごとのリコールを強いものにする。 これらの知見は、ドメイン適応型気象認識の実現可能性と、堅牢でオンボードな認識を向上するためのベンチマークの価値を浮き彫りにした。

関連論文リスト

• AVOID: The Adverse Visual Conditions Dataset with Obstacles for Driving Scene Understanding [48.97660297411286]
  シミュレーション環境におけるリアルタイム障害物検出のための新しいデータセットであるAVOIDを紹介する。 AVOIDは、様々な天候と時間条件下で捕獲された各経路に沿って、予期せぬ道路障害物からなる。 各画像は、対応するセマンティックマップと深度マップ、生およびセマンティックLiDARデータ、およびウェイポイントと結合される。
  論文  参考訳（メタデータ） (2025-12-29T05:34:26Z)
• SemOD: Semantic Enabled Object Detection Network under Various Weather Conditions [1.5278471408515728]
  多様な気象条件下での物体検出のための意味論的ネットワークを提案する。 我々の分析では、セマンティクス情報により、欠落した領域に対して可塑性コンテンツを生成することができる。 本手法は,全天候変換における意味データの利用の先駆者であり,その結果,mAPの1.47%から8.80%に増加した。
  論文  参考訳（メタデータ） (2025-11-27T06:19:30Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• WeatherDiffusion: Weather-Guided Diffusion Model for Forward and Inverse Rendering [40.94600501568197]
  WeatherDiffusionは、自動運転シーンの前方および逆レンダリングのための拡散ベースのフレームワークである。 本手法は, 物質特性, シーン形状, 照明の正確な推定を可能にするとともに, 制御可能な天気や照明の編集もサポートする。
  論文  参考訳（メタデータ） (2025-08-09T13:29:39Z)
• UMDATrack: Unified Multi-Domain Adaptive Tracking Under Adverse Weather Conditions [73.71632291123008]
  各種の悪天候条件下での高品質な目標状態予測を行うUMDATrackを提案する。 私たちのコードはhttps://github.com/Z-Z188/UMDATrack.comから入手可能です。
  論文  参考訳（メタデータ） (2025-07-01T10:43:57Z)
• AllWeatherNet:Unified Image Enhancement for Autonomous Driving under Adverse Weather and Lowlight-conditions [24.36482818960804]
  本稿では,悪条件により劣化した視覚的品質と明度を改善する方法を提案する。 我々の手法であるAllWeather-Netは、新しい階層型アーキテクチャを用いて、すべての悪条件をまたいで画像を強化する。 再学習することなく、最大3.9%のmIoU改善を達成し、未確認領域に適用することで、モデルの一般化能力を示す。
  論文  参考訳（メタデータ） (2024-09-03T16:47:01Z)
• 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)
• DMRVisNet: Deep Multi-head Regression Network for Pixel-wise Visibility Estimation Under Foggy Weather [0.0]
  霧は、一般的な気象の一種として、特に山岳地帯において、現実世界に頻繁に現れる。 現在の方法では、道路上の固定位置に配置されたプロの楽器を使用して視界測定を行う。 可視性を推定するために、革新的なエンドツーエンドの畳み込みニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-08T13:31:07Z)
• 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。