面向恶劣天气下交通信号灯检测的傅里叶域自适应
计算机视觉与模式识别
2025-07-22 v2
摘要
在高级驾驶辅助系统中，恶劣天气条件下的交通信号灯检测在很大程度上仍未得到探索，现有方法依赖于复杂的深度学习方法，这些方法在训练和部署期间会引入显著的计算开销。本文提出了傅里叶域自适应（FDA），该方法仅需修改训练数据而无需改变架构，从而能够有效适应雨天和雾天条件。FDA 最小化了源域和目标域之间的域差距，创建了一个在恶劣天气下性能可靠的数据集。源域合并了 LISA 和 S2TLD 数据集，并经过处理以解决类别不平衡问题。已有方法模拟了雨天和雾天场景以形成目标域。我们探索了半监督学习（SSL）技术以更有效地利用数据，解决了全面数据集的短缺以及最先进模型在恶劣天气下性能不佳的问题。实验结果表明，FDA 增强模型在 mAP50、mAP50-95、精确率和召回率指标上均优于基线模型。YOLOv8 在所有指标上平均提高了 12.25%。所有模型的精确率平均提高了 7.69%，召回率平均提高了 19.91%，mAP50 平均提高了 15.85%，mAP50-95 平均提高了 23.81%，证明了 FDA 在减轻恶劣天气影响方面的有效性。这些改进使得在具有挑战性的环境条件下需要可靠性能的现实世界应用成为可能。
引用
@article{arxiv.2411.07901,
title = {Fourier Domain Adaptation for Traffic Light Detection in Adverse Weather},
author = {Ishaan Gakhar and Aryesh Guha and Aryaman Gupta and Amit Agarwal and Ujjwal Verma},
journal= {arXiv preprint arXiv:2411.07901},
year = {2025}
}
备注
Accepted at the 2COOOL Workshop, ICCV 2025