面向自动驾驶的增强漂移感知计算机视觉架构
计算机视觉与模式识别
2025-08-26 v1 逻辑
摘要
计算机视觉在汽车领域的应用是当前热门研究，安全性和可靠性是首要关注议题。尤其是在自动驾驶场景中，防止道路事故需要在多样化环境下实现高度精准的目标检测。为此，国际组织标准化协会（ISO）近期发布了8800标准规范，提供了管理相关AI风险的结构化框架。然而，诸如恶劣天气或低光照等具备挑战性的场景常会引入数据漂移，导致模型性能下降并可能引发安全违规。本文提出一种新型混合计算机视觉架构，通过大量来自道路环境的合成图像数据进行训练，以提升在未见漂移环境下的鲁棒性。该系统采用双模式框架，利用YOLO v8进行快速检测，并集成五层卷积神经网络（CNN）进行验证。该系统按序运行，对使用漂移增强道路图像进行测试时，检测准确率提升了超过90%。本文旨在展示如何通过构建混合结构，使混合模型在提升道路安全方面发挥更佳作用。
引用
@article{arxiv.2508.17975,
title = {Enhanced Drift-Aware Computer Vision Architecture for Autonomous Driving},
author = {Md Shahi Amran Hossain and Abu Shad Ahammed and Sayeri Mukherjee and Roman Obermaisser},
journal= {arXiv preprint arXiv:2508.17975},
year = {2025}
}