恶劣天气下的视觉感知：基于 CycleGAN 与多种目标检测器增强的自主赛车鲁棒感知
计算机视觉与模式识别
2023-01-03 v3
摘要
在自动驾驶系统中，感知——从环境中识别特征与物体——至关重要。在自主赛车中，高速度与极小容差要求快速且准确的检测系统。比赛期间天气可能骤变，导致感知显著退化，从而产生无效操控。为改善恶劣天气下的检测，基于深度学习的模型通常需要在此类条件下采集的大量数据集——而收集这些数据集是繁琐、费力且昂贵的过程。然而，CycleGAN 架构近期的发展使得在多种天气条件下合成高度逼真的场景成为可能。为此，我们提出一种在自主赛车中使用合成恶劣天气数据集（由 CycleGAN 生成）的方法，使五种最先进检测器中四种在夜间条件和液滴条件下的性能分别平均提升 42.7 和 4.4 个 mAP 百分点。此外，我们对五种目标检测器进行了对比分析——确定了在挑战性条件下自主赛车使用时检测器与训练数据的最优组合。
引用
@article{arxiv.2201.03246,
title = {Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing},
author = {Izzeddin Teeti and Valentina Musat and Salman Khan and Alexander Rast and Fabio Cuzzolin and Andrew Bradley},
journal= {arXiv preprint arXiv:2201.03246},
year = {2023}
}
备注
ICML 2022