自动驾驶的天气与光照等级分类：数据集、基线及主动学习

自动驾驶正快速发展，2 级功能正成为标准特性。最突出的未解难题之一是在恶劣天气与低光照条件下获得鲁棒视觉感知，此时精度退化严重。在这些场景下，拥有一个天气分类模型以降低视觉感知置信度至关重要。因此，我们构建了一个用于天气（雾、雨、雪）分类与光照等级（明亮、适中、低）分类的新数据集。此外，我们提供街道类型（沥青、草地、鹅卵石）分类，共得出 9 个标签。每幅图像具有分别对应天气、光照等级与街道类型的三个标签。我们利用分辨率为 $1024\times1084$ 的 RCCC（红/透明）格式工业前视相机记录数据。我们采集了 15k 段视频序列并采样得到 60k 幅图像。我们实现了主动学习框架以降低数据集冗余，并寻找用于训练模型的最优帧集合。我们将 60k 幅图像进一步提炼至 1.1k 幅，将在隐私匿名化后公开。据我们所知，目前尚无专注于自动驾驶的天气与光照等级分类公开数据集。用于天气分类的基线 ResNet18 网络在两个非汽车天气分类公开数据集中取得了最先进结果，但在我们提出的数据集上精度显著更低，表明其尚未饱和且需进一步研究。