基于域自适应的雾天与雨天自动驾驶目标检测

通常，依赖于监督学习的自动驾驶目标检测方法假设训练数据与测试数据之间具有一致的特征分布，这一假设在不同天气条件下可能失效。由于域间隙，在晴朗天气下训练的检测模型在雾天和雨天条件下可能表现不佳。克服雾天和雨天天气下的检测瓶颈，对于部署在真实环境中的自动驾驶车辆而言是一项真正的挑战。为弥合域间隙并提升雾天和雨天天气下目标检测的性能，本文提出了一种新颖的域自适应目标检测框架。在图像级和对象级上的自适应旨在最小化域间图像风格与对象外观的差异。此外，为提升模型在困难样本上的性能，我们引入了一种新颖的对抗梯度反转层，该层在域自适应之外还对困难实例进行对抗性挖掘。另外，我们建议通过数据增强生成一个辅助域，以施加一种新的域级度量正则化。在公开基准上的实验结果表明，针对雾天和雨天驾驶场景的目标检测取得了显著增强。