利用对比学习增强恶劣天气条件下的车辆检测
计算机视觉与模式识别
2026-02-12 v2
摘要
除了遥感中常见的挑战（如微小、稀疏的目标和计算成本限制）外，在北欧地区从无人机（UAV）图像中检测车辆还面临严重的能见度挑战以及由不同程度的积雪覆盖引起的领域偏移。尽管标注数据昂贵，但只需放飞无人机即可更廉价地获取未标注数据。在这项工作中，我们提出了一个 sideload-CL-adaptation 框架，该框架能够利用未标注数据通过轻量级模型来改进车辆检测。具体而言，我们提议在预训练阶段通过对未标注数据进行对比学习来训练一个基于 CNN 的表示提取器，然后在微调阶段将其旁加载到一个冻结的 YOLO11n 主干网络中。为了寻找鲁棒的 sideload-CL-adaptation，我们进行了广泛的实验以比较各种融合方法和粒度。我们提出的 sideload-CL-adaptation 模型在 NVD 数据集上的 mAP50 指标上将检测性能提升了 3.8% 至 9.5%。
引用
@article{arxiv.2509.21916,
title = {Enhancing Vehicle Detection under Adverse Weather Conditions with Contrastive Learning},
author = {Boying Li and Chang Liu and Petter Kyösti and Mattias Öhman and Devashish Singha Roy and Sofia Plazzi and Hamam Mokayed and Olle Hagner},
journal= {arXiv preprint arXiv:2509.21916},
year = {2026}
}