计算机科学>计算机视觉和模式识别
标题: 基于区域自适应的雾天和雨天自动驾驶目标检测
摘要: 通常,基于监督学习的自动驾驶目标检测方法假设训练和测试数据之间的特征分布一致,这种假设在不同的天气条件下可能会失败。 由于领域差距,在晴朗天气下训练的检测模型在多雾和多雨条件下可能表现不佳。 克服雾天和雨天的检测瓶颈对于野外部署的自动驾驶车辆来说是一个真正的挑战。 为了弥补域鸿沟,提高多雾和多雨天气下目标检测的性能,本文提出了一种新的域自适应目标检测框架。 图像级别和对象级别的自适应旨在最小化域之间图像风格和对象外观的差异。 此外,为了提高模型在具有挑战性的示例上的性能,我们引入了一个新的对抗性梯度反转层,该层除了域自适应之外,还对困难的实例进行对抗性挖掘。 此外,我们建议通过数据增强生成一个辅助域,以实施新的域级度量正则化。 公共V2V基准测试的实验结果表明,在雾天和雨天驾驶场景中,目标检测功能有了显著增强。