强鲁健性 ADAS：用于不良天气的基于机器学习的高级车辆辅助系统鲁健性提升
计算机视觉与模式识别
2024-07-04 v1
摘要
在将基于机器学习的高级车辆辅助系统（ML-ADAS）部署到实际场景中时，不良天气条件构成重大挑战。常规在晴天数据上训练的机器学习模型在遭遇极端雾霾或重雨情形时会失效，可能导致事故并引发安全风险。本文通过提出一种新方法来解决此问题：采用去噪深度神经网络作为预处理步骤，将不良天气图像转换为晴天图像，从而增强 ML-ADAS 系统的鲁健性。该方法无需对 ML-ADAS 管道中后续所有深度神经网络（DNN）进行重新训练，从而节省计算资源和时间。此外，它还改进了驾驶员的可视化效果，这在不良天气条件下的安全导航中至关重要。通过利用在增强 KITTI 数据集上训练的 UNet 架构（数据集包含合成不良天气图像），我们开发了 Weather UNet（WUNet）DNN 来去除天气伪像。我们的研究表明，在不良天气条件下使用 WUNet 预处理，目标检测性能得到显著提升。值得注意的是，在极端雾霾情形下，我们的解决方案将 YOLOv8n 的平均平均精度（mAP）得分从 4% 提升至 70%。
引用
@article{arxiv.2407.02581,
title = {Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather},
author = {Muhammad Zaeem Shahzad and Muhammad Abdullah Hanif and Muhammad Shafique},
journal= {arXiv preprint arXiv:2407.02581},
year = {2024}
}
备注
7 pages, 10 figures, 1 table