SemOD：基于语义的对象检测网络在各种天气条件下
计算机视觉与模式识别
2025-12-01 v1 系统与控制
系统与控制
摘要
在自动驾驶领域，摄像头感知模型主要是在晴天数据上训练的。专注于解决特定天气挑战的模型无法适应各种天气变化，主要侧重其天气去除特征。我们的研究引入了一个用于多种天气条件下对象检测的语义启用网络。在我们的分析中，语义信息可以使模型为缺失区域生成合理的内容，理解对象边界，并在填充后和现有部分的图像中保持视觉连贯性和真实性，这有利于图像转换和对象识别。具体而言，我们的体系结构包括一个预处理单元（PPU）和一个检测单元（DTU），其中PPU利用以语义丰富的U型网络来细化退化图像，而DTU将这种语义信息用于对象检测，使用修改后的YOLO网络。我们的方法 pioneers 在使用语义数据进行全天候转换方面的应用，结果在不同天气基准数据集上实现了1.47%至8.80%的mAP提升。这凸显了语义在图像增强和对象检测中的效能，提供了一种全面的方法来提高对象检测性能。代码将在https://github.com/EnisZuo/SemOD提供。
引用
@article{arxiv.2511.22142,
title = {SemOD: Semantic Enabled Object Detection Network under Various Weather Conditions},
author = {Aiyinsi Zuo and Zhaoliang Zheng},
journal= {arXiv preprint arXiv:2511.22142},
year = {2025}
}