XWOD：面向极端天气条件下的目标检测的真实世界基准
计算机视觉与模式识别
2026-05-13 v1
摘要
自动驾驶和智能交通系统在极端天气条件下仍然脆弱。美国联邦公路管理局报告称，每年约有 74.5 万起事故和 3800 起死亡与天气有关。近期的监管调查还考察了在视力受阻情况下，Level-2/3 驾驶系统的失效情况。然而，目前用于评估气候鲁棒性的数据集在规模、多样性和真实性方面仍有限。本文引入 XWOD（Extreme Weather Object Detection，极端天气目标检测），一个包含 10,010 张图片和 42,924 个边界框的大规模真实世界交通目标检测基准，覆盖七种极端天气条件：雨、雪、雾、浓雾/沙尘/灰尘、涝水、龙卷风和野火。该数据集涵盖六类交通目标类别，包括汽车、行人、卡车、摩托车、自行车和巴士。XWOD 将天气分类从一种扩展到七种，并首次涵盖气候放大型灾害类别，如涝水、龙卷风和野火。为评估数据质量，我们在 XWOD 上训练标准的 YOLO 系列检测器，并在外部天气基准上进行零样本测试，在 RTTS 上获得 63.00% 的 mAP，在 DAWN 上获得 59.94%，在 WEDGE 上获得 61.12%，分别与相应的已发表 YOLO 基线方法的 40.37%、32.75% 和 45.41% 相比，分别提升了 56%、83% 和 35%。这些跨数据集结果表明，XWOD 为学习气候鲁棒的交通感知提供了强大的源域。我们在研究用许可证下发布数据集、数据划分、基线权重以及可复现的评估代码。
引用
@article{arxiv.2605.11521,
title = {XWOD: A Real-World Benchmark for Object Detection under Extreme Weather Conditions},
author = {Chih-Hsin Chen and Yu-Tung Liu and Amar Fadillah and Kuan-Ting Lai and Dong Liu},
journal= {arXiv preprint arXiv:2605.11521},
year = {2026}
}