自动驾驶中对象检测的数据漂移

随着机器学习技术在自动驾驶系统中的广泛应用，其在解决复杂环境感知挑战方面的作用日益关键。然而，现有机器学习模型存在显著脆弱性，其性能严重依赖于训练数据与测试数据满足独立同分布假设这一根本前提，而这在现实应用中难以保证。季节变化、天气波动导致数据分布动态变化，引发自动驾驶系统中的数据漂移问题。本研究系统性地探讨了自动驾驶对象检测任务中的数据漂移问题，分析了其复杂性与多样化表现。我们综述了数据漂移检测方法，并运用漂移检测分析技术对数据集进行分类与平衡。基于此基础，我们构建了对象检测模型。为验证方法有效性，我们通过集成CycleGAN基于数据增强技术与YOLOv5框架进行模型优化。实验结果表明，我们的方法在BDD100K数据集上相较于基线模型实现了优异性能。