Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather

这篇论文探讨了在真实场景中应用基于机器学习的高级驾驶辅助系统（ML-ADAS）时，恶劣天气条件带来的重大挑战。传统的ML模型在面对极端雾或大雨等情况时，由于训练数据缺乏，往往会出现失误，可能导致事故和安全隐患。本文提出了一种新方法：采用去噪深度神经网络作为预处理步骤，将恶劣天气图像转换为清晰的天气图像，从而增强ML-ADAS系统的鲁棒性。所提出的方法消除了需要重新训练ML-ADAS流水线中所有后续深度神经网络（DNN）的需要，从而节省了计算资源和时间。此外，它改善了驾驶员的视觉效果，这对于在恶劣天气条件下进行安全导航至关重要。通过利用在增强KITTI数据集上训练的UNet架构和合成的恶劣天气图像，我们开发了Weather UNet（WUNet）DNN来消除天气伪影。我们的研究表明，在恶劣天气条件下，采用WUNet预处理可显著提高目标检测的性能。值得注意的是，在涉及极端雾的情况下，我们提出的解决方案将YOLOv8n的平均平均精度（mAP）得分从4％提高到70％。

解决问题：如何应对恶劣天气条件下的机器学习驾驶辅助系统（ML-ADAS）？

关键思路：使用去噪深度神经网络将恶劣天气图像转换为清晰天气图像，提高ML-ADAS系统的鲁棒性。

其他亮点：使用UNet架构训练的WUNet DNN去除天气伪影，显著提高了恶劣天气条件下目标检测的性能，特别是在极端雾天条件下。研究使用了增强的KITTI数据集和合成的恶劣天气图像。

相关研究：最近的相关研究包括“Adverse Weather Detection and Classification for Advanced Driver Assistance Systems Using Deep Learning”和“Real-Time Object Detection in Adverse Weather Conditions”。