合成雾管道减少了自动驾驶汽车物体检测的数据需求

研究人员开发了Clear2Fog (C2F)，一个基于物理的管道，用于生成合成雾以训练物体检测模型。该方法旨在通过解决真实世界雾天数据稀缺的问题来提高自动驾驶汽车的安全性。C2F集成了单目深度估计和新颖的大气光估计，以创建物理上一致的合成雾，减少伪影和偏差。一项使用Waymo开放数据集进行的广泛研究表明，在较低规模下使用不同雾密度进行训练，可以达到在较大固定密度数据集上训练的模型的性能，从而将合成数据需求减少25%。 AI

影响 这项研究可以显著降低在恶劣天气条件下运行的自动驾驶汽车的鲁棒物体检测模型的训练成本和时间。

排序理由 详细介绍新方法和研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• autonomous vehicles
• Clear2Fog
• LiDAR
• monocular depth estimation
• object detection
• Waymo Open Dataset

• 论文
• 产品
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →