XiaoMi-AI文件搜索系统
World File Search System不利天气
通过熵和引导多模式融合在不利天气条件下增强对象检测
摘要。通过互补感应方式整合各种表示形式对于自主驾驶中的强大场景解释至关重要。近年来，融合视觉和范围数据的深度学习体系结构具有先进的2D和3D对象检测。但是，这些方式在不利的天气或照明条件下通常会降解，从而导致性能下降。虽然已经开发了域适应性甲基元素来弥合源域和目标域之间的缝隙，但由于源和目标域之间的固有差异，它们通常会缺乏。此差异可以在数据的不同分布和不同特征空间的不同分布中表现出来。本文介绍了一个全面的域自适应对象检测框架。通过深度转移学习开发，该框架旨在从标记的透明天气数据中稳健地概括到无标记的不良天气条件，从而增强了基于深度学习的对象检测模型的性能。创新的斑块熵融合模块（PEFM）是我们方法的核心，该方法动态整合了sens-sor数据，强调关键信息并最大程度地减少了背景干扰。这进一步补充了一种新型的加权决策模块（WDM），该模块（WDM）根据其在特定环境条件下的功效来调整不同传感器的贡献，从而优化了检测准确性。此外，我们在转移学习过程中集成了域对齐损失，以确保有效的域适应性通过将特征图差异定于清晰和不利天气数据集之间的差异。我们评估了不同数据集的模型，包括Exdark（单峰），CityScapes（单峰）和密集（Mul-timodal），在我们评估的时间点，它在所有数据集中排在所有数据集中。
SamFusion：在不利天气中进行3D对象检测的传感器自适应多模式融合
摘要。多模式传感器融合是机器人机器人的重要能力，在存在失败或不确定输入的情况下，可以实现对象检测和决策。虽然在正常环境条件下，最近的融合方法在不利的天气中失败了，例如，由于污染而导致的重雾，雪或障碍物。我们介绍了一种针对不利天气条件的新型多传感器融合方法。除了在最近的自主驾驶文献中构成的融合RGB和LIDAR传感器外，我们的传感器融合堆栈还能够从NIR门控相机和雷达方式中学习，以应对低光和欣赏天气。我们通过细心的，基于深度的混合方案融合了多模式传感器数据，并在鸟类视图（BEV）平面上进行了学习，以有效地组合图像和范围特征。我们的检测是由变压器解码器预先列出的，该解码器根据距离和可见性称量模态。我们证明，我们的方法在挑战性的天气条件下提高了自动驾驶汽车中多模式传感器融合的可靠性，从而弥合了理想条件和现实世界边缘案例之间的差距。我们的方法将平均精度提高了17。2 AP与长期存在的脆弱行人和富有挑战的雾蒙蒙场景相比，与弱势行人的下一个最佳方法相比。我们的项目页面可在此处找到1。
通过在不利天气条件下纳入MDM-WDM和机器学习分类器
光子雷达是微波光子学创新应用中的基石，它是未来智能运输系统（ITS）的关键技术。提供了增强的准确性和可靠性，它位于目标检测和在不同天气条件下识别的最前沿。最近的进步集中在通过高速，宽带信号处理的8月雷达性能，这是现代光子学属性的直接好处，例如EMI免疫，最小传输损失和宽带宽。我们的工作引入了一个尖端的光子雷达系统，该系统采用频率调制连续波（FMCW）信号，与模式划分和波长分层多路复用（MDM-WDM）协同作用。这种融合不仅增强了各种天气情况的目标检测和识别能力，包括各种雾气和太阳闪烁的强度，而且还表现出了针对太阳噪声的实质性弹性。此外，我们拥有集成的机器学习技术，包括决策树，极为随机的树（ERT）和随机的森林分类器，以实质上提高了目标识别精度。结果表明：精度为91.51％，高灵敏度（91.47％），特异性（97.17％），F1得分为91.46％。这些指标强调了我们方法在完善其雷达系统方面的功效，这说明了微波光子学中的进步如何彻底改变传统方法和系统。
不利天气和健康计划：支持证据
如HECC报告（1）所述，没有适应，预计健康对英国的热死亡率的影响预计将由于气候变化和社会人口统计学因素而增加。由于这些事件的频率和严重程度的增加，受到较高温度，洪水和干旱影响的人的比例将增加。与感冒相关的死亡率也将增加，尽管在温暖的气候下较少的天气较少。不利天气事件的影响可能会影响每个人，并可能影响包括健康在内的许多方面，但是在整个英国，对健康的气候风险如何感受到健康风险存在明显的地理和社会人口统计学差异（1）。个人，社区和人口在多大程度上经历不利天气的负面影响会因其反应和适应此类事件施加的压力源的能力而有所不同。在英国，正如HECC报告（1）的重点，气候变化的影响对社会和NHS的影响很高。在英国，正如HECC报告（1）的重点，气候变化的影响对社会和NHS的影响很高。
基于车辆基础设施合作系统的不利天气的感知方法：评论
摘要：环境感知在自主驾驶技术中起着至关重要的作用。但是，诸如不利天气条件和传感设备的局限性等各种因素有助于低感知的准确性和有限的视野。因此，智能连接的车辆（ICV）目前只能在特定方案中实现自动驾驶。本文对当前有关图像或点云处理和合作感知的研究进行了分析，并总结了三个关键方面：数据预处理方法，多传感器数据融合方法以及车辆 - 基础结构合作感知方法。数据预处理方法总结了雪，雨和雾中点云数据和图像数据的处理。多传感器数据融合方法分析图像融合，点云融合和图像点云融合的研究。由于通信渠道资源有限，因此车辆 - 基础结构合作感知方法讨论了合作感知信息的融合和共享策略，以扩大ICV的感知范围，并实现感知信息的最佳分布。最后，根据现有研究的分析，本文提出了未来的研究方向，以在不利天气条件下进行合作感。