计算机科学>计算机视觉和模式识别
职务: V2X-DGW:恶劣天气条件下多智能体感知的领域泛化
摘要: 当前基于LiDAR的车辆对一切(V2X)多智能体感知系统在3D目标检测方面取得了显著成功。 虽然这些模型在经过训练的清洁天气中表现良好,但它们在看不见的恶劣天气条件下与现实世界的领域差距作斗争。 本文提出了一种基于LiDAR的多智能体感知系统在恶劣天气条件下的三维目标检测领域泛化方法V2X-DGW。 我们的研究不仅旨在在晴朗天气下确保良好的多智能体性能,而且还通过仅学习晴朗天气数据来在看不见的恶劣天气条件下确保良好性能。 为了推进这一领域的研究,我们模拟了三种常见的恶劣天气条件对两个广泛使用的多代理数据集的影响,从而创建了两个新的基准数据集:OPV2V-w和V2XSet-w。 为此,我们首先引入了自适应天气增强(AWA)来模拟看不到的不利天气条件,然后提出了两种用于广义表示学习的对齐:信任区域天气变化对齐(TWA)和代理软件对比对齐(ACA)。 广泛的实验结果表明,我们的V2X-DGW在看不见的恶劣天气条件下取得了改进。