論文の概要: Analysis of SWIR Imaging Detection Performance Under Adverse Environmental Conditions for Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2610.06596v1
• Date: Mon, 05 Oct 2026 16:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:21:26.432706
• Title: Analysis of SWIR Imaging Detection Performance Under Adverse Environmental Conditions for Autonomous Driving Systems
• Title（参考訳）: 自律運転システムにおける逆環境下におけるSWIRイメージング検出性能の解析
• Abstract要約: 短波赤外画像(SWIR)は、自律運転において有望なモダリティとして浮上している。 本稿では, RGB と SWIR オブジェクト検出を RASMD データセット上で比較した。
• 参考スコア（独自算出の注目度）: 39.65240719713036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-wave infrared (SWIR) imaging has emerged as a promising modality for autonomous driving, yet its practical benefits over RGB remain poorly characterized across diverse conditions. This paper presents a systematic comparative study of paired RGB and SWIR object detection on the RASMD dataset, covering four weather conditions and two real-time detection architectures, with various fine-tunings evaluated against a unified ground truth. Overall, RGB demonstrates comparable or superior performance in most scenarios, while RF-DETR exhibits greater robustness across varying conditions. Beyond aggregate metrics, we propose a sensor-dominance mining framework that combines multi-model agreement with targeted manual inspection to identify scenarios where one sensing modality provides more reliable detections using largely unannotated paired data. This analysis reveals that SWIR offers clear advantages in four safety-critical situations, including windshield glare, water droplets on the windshield, low-contrast object visibility, and long-range vehicle detection. The findings suggest that SWIR should be viewed as a complementary modality that enhances perception in rare but challenging conditions. The datasets will be available upon request, and all code and trained model weights are publicly released at https://github.com/comsee-research/swir-adverse-env-analysis.
• Abstract（参考訳）: 短波赤外画像(SWIR)は自律運転において有望なモダリティとして現れているが、RGBに対する実用的利点は様々な条件において劣っている。 本稿では、4つの気象条件と2つのリアルタイム検出アーキテクチャを網羅したRASMDデータセット上でのペアRGBとSWIRオブジェクト検出の系統的比較を行い、様々な微調整を行った。 全体として、RGBはほとんどのシナリオで同等または優れた性能を示し、RF-DETRは様々な条件でより堅牢性を示す。 本稿では,センサ・マディナンス・マイニング・フレームワークを提案する。センサ・マディナンス・マイニング・フレームワークは,センサ・マディナンス・コンセンサス・コンセンサスと目標手動検査を組み合わせることで,センサ・モダリティがほとんど注釈のないペアデータを用いてより信頼性の高い検出を行うシナリオを特定する。 この分析により、SWIRは、フロントガラス、フロントガラスの水滴、低コントラスト物体の視認性、長距離車両検出など、安全上重要な4つの状況において明らかな利点があることが明らかになった。 この結果から,SWIRは,まれながら困難な状況下での知覚を高める相補的モダリティとしてとらえるべきであることが示唆された。 データセットはリクエストに応じて利用可能で、トレーニング済みのすべてのコードとモデルの重み付けはhttps://github.com/comsee-research/swir-adverse-env-analysisで公開されている。

関連論文リスト

• Descriptor: LYNRED Mobility Dataset Multimodal Detection Subset (LYNRED-MDS) [21.053811864320302]
  フランスのグレノーブルで撮影された4000RGBの赤外線画像対からなるLYNRED-MDS: Multimodal Detection Subsetを紹介する。 我々のデータセットは、高度な運転支援システムのためのより信頼性が高く、デプロイ可能な視覚システムの開発を支援する。
  論文  参考訳（メタデータ） (2026-07-02T08:26:39Z)
• Hydra-Bench: A Benchmark for Multi-Modal Leaf Wetness Sensing [5.54739216930577]
  本稿では,葉の濡れ度検出における機械学習アルゴリズムの評価と進展に特化して設計された,新しいマルチモーダルデータセットを提案する。 本データセットは,5種の植物から6ヶ月以上にわたって収集したmWave生データ,合成開口レーダ(SAR)画像,RGB画像から構成した。
  論文  参考訳（メタデータ） (2025-07-30T13:47:56Z)
• RASMD: RGB And SWIR Multispectral Driving Dataset for Robust Perception in Adverse Conditions [0.3141085922386211]
  短波長赤外線(SWIR)イメージングは、NIRとLWIRに対していくつかの利点がある。 現在の自律走行アルゴリズムは可視光スペクトルに大きく依存しており、悪条件下での性能劣化を招きやすい。 RGB と SWIR のマルチスペクトル駆動データセットを導入し,RGB-SWIR 画像ペアの同期化と空間整合化を実現した。
  論文  参考訳（メタデータ） (2025-04-10T09:54:57Z)
• Bringing RGB and IR Together: Hierarchical Multi-Modal Enhancement for Robust Transmission Line Detection [67.02804741856512]
  高速かつ高精度なTL検出のために,RGBとIRデータを統合したHMMEN(Hierarchical Multi-Modal Enhancement Network)を提案する。 提案手法では,(1)階層的RGBおよびIR特徴写像を大まかに融合・拡張するMMEB,(2)デコーダ出力とIR特徴写像の不整合を変形可能な畳み込みを利用して補正するFAB,の2つの重要な構成要素を紹介する。
  論文  参考訳（メタデータ） (2025-01-25T06:21:06Z)
• 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)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。