A-BDD：利用数据增强实现恶劣天气和光照下的安全自动驾驶
计算机视觉与模式识别
2024-11-20 v2 机器学习
摘要
高自动化车辆功能依赖于机器学习算法来理解环境。尽管在良好天气情景下显示出卓越性能，但感知算法在恶劣天气和光照条件下受到严重影响。为克服这些困难，ML工程师主要依赖综合性的真实世界数据集。然而，关键操作设计域（ODD）区域的真实世界数据收集困难，常需依赖合成数据进行感知训练和安全验证。因此，我们提出A-BDD，一个基于BDD100K的大型数据集，包含超过60,000个合成增强图像，配备语义分割和边界框标注（继承自BDD100K数据集）。该数据集包含针对雨天、雾天、阴天和日光浪/阴影的增强数据，具有不同强度水平。我们进一步引入新方法，利用基于特征的图像质量指标（如FID和CMMD），帮助识别ML训练和测试中有用的增强数据和真实数据。通过在A-BDD上进行实验，我们提供了证据，表明数据增强在改善恶劣天气和光照条件下的性能方面发挥关键作用。
引用
@article{arxiv.2408.06071,
title = {A-BDD: Leveraging Data Augmentations for Safe Autonomous Driving in Adverse Weather and Lighting},
author = {Felix Assion and Florens Gressner and Nitin Augustine and Jona Klemenc and Ahmed Hammam and Alexandre Krattinger and Holger Trittenbach and Anja Philippsen and Sascha Riemer},
journal= {arXiv preprint arXiv:2408.06071},
year = {2024}
}