DENSE(STF), WOD-DA, CADC, Kradar
收藏github2025-03-08 更新2025-03-10 收录
下载链接：
https://github.com/ylwhxht/3D_Object_Detection_in_Adverse_Weather_Paper_List
下载链接
链接失效反馈官方服务：
资源简介：
通过深度融合未见过的恶劣天气中的多种模态传感器数据来透过雾看到物体；Waymo开放数据集领域自适应；加拿大恶劣驾驶条件数据集；适用于各种天气条件的自动驾驶的4D雷达对象检测
See through fog and detect objects via deep fusion of multi-modal sensor data in unseen severe weather conditions; Domain adaptation on the Waymo Open Dataset; Canadian Adverse Driving Conditions Dataset; 4D radar object detection for autonomous driving under various weather conditions
创建时间：
2025-03-07
原始信息汇总
3D Object Detection in Adverse Weather Paper List
🏠 关于
这是一个关于在恶劣天气条件下进行3D目标检测的论文列表，主要来源于过去3年研究中有意义的研究成果。希望对新手研究者有所帮助。
- 数据集：
- DENSE(STF): Seeing Through Fog Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather (CVPR 2020)
- WOD-DA: Waymo Open Dataset Domain Adaptation (2020)
- CADC: Canadian Adverse Driving Conditions Dataset (IJRR 2021)
- Kradar: K-radar: 4d radar object detection for autonomous driving in various weather conditions (NIPS 2022)
- WADS: Winter adverse driving dataset for autonomy in inclement winter weather (Optical Engineering 2023)
- SemanticSpray++: SemanticSpray++: A Multimodal Dataset for Autonomous Driving in Wet Surface Conditions (IV 2024)
📚 论文列表
恶劣天气下的3D目标检测
-
2022年
- Rethinking LiDAR Object Detection in adverse weather conditions (ICRA 2022)
- Towards Robust 3D Object Detection In Rainy Conditions (ITSC 2022)
- LossDistillNet: 3D Object Detection in Point Cloud Under Harsh Weather Conditions (Access 2022)
- Robust 3D Object Detection in Cold Weather Conditions (IV 2022)
- Robust-FusionNet: Deep Multimodal Sensor Fusion for 3-D Object Detection Under Severe Weather Conditions (TIM 2022)
-
2023年
-
2024年
- Geometric information constraint 3D object detection from LiDAR point cloud for autonomous vehicles under adverse weather (Transportation research part C: emerging technologies 2024)
- Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust 3D Object Detection (AAAI 2024)
- SAMFusion: Sensor-Adaptive Multimodal Fusion for 3D Object Detection in Adverse Weather (ECCV 2024)
-
2025年
📚 内容目录
搜集汇总
数据集介绍
构建方式
DENSE(STF)、WOD-DA、CADC、Kradar等数据集的构建主要基于近年来在恶劣天气条件下3D目标检测领域的研究成果。DENSE(STF)通过深度多模态传感器融合，实现了在未见过的恶劣天气条件下看到天气的能力；WOD-DA是一个域自适应挑战数据集，用于提高3D目标检测在恶劣天气下的性能；CADC是一个包含加拿大恶劣驾驶条件的数据集，用于研究和测试自动驾驶系统；Kradar利用4D雷达进行目标检测，适用于各种天气条件下的自动驾驶。
使用方法
使用这些数据集时，用户可以根据自己的需求选择合适的数据集。例如，DENSE(STF)适用于需要深度多模态传感器融合的场景，WOD-DA适用于需要进行域自适应的场景，CADC适用于测试加拿大恶劣驾驶条件下的自动驾驶系统，而Kradar适用于需要4D雷达目标检测的场景。用户需要根据数据集提供的文档和代码进行相应的数据准备和处理。
背景与挑战
背景概述
DENSE(STF)、WOD-DA、CADC、Kradar这四个数据集均专注于3D对象检测在恶劣天气条件下的研究。DENSE(STF)数据集由德国乌尔姆大学在2020年提出，旨在通过深度多模态传感器融合在未见过的恶劣天气条件下进行观测。WOD-DA数据集是Waymo开放数据集的一个领域适应挑战，旨在促进自动驾驶技术在不同天气条件下的性能。CADC数据集是加拿大恶劣驾驶条件数据集，由滑铁卢大学在2021年提出，用于研究自动驾驶车辆在恶劣天气下的感知问题。Kradar数据集则是由韩国科学技术院在2022年提出的，使用4D雷达进行对象检测，适用于各种天气条件。这些数据集为相关领域的研究提供了宝贵的实验基础，推动了自动驾驶技术在恶劣天气条件下感知能力的提升。
当前挑战
这些数据集面临的挑战主要包括：1) 在极端天气条件下，如何保证3D对象检测的准确性和鲁棒性；2) 构建过程中，如何处理传感器数据的质量问题，如雷达和激光雷达在雨、雾等天气下的信号衰减和散射；3) 如何实现不同传感器数据的有效融合，以提高检测性能；4) 如何进行大规模数据集的收集和标注，确保数据的多样性和准确性。
常用场景
经典使用场景
DENSE(STF)、WOD-DA、CADC、Kradar等数据集主要应用于自动驾驶领域，特别是在三维物体检测方面，它们在处理恶劣天气条件下的数据表现出色。其中，DENSE(STF)通过深度融合多模态传感器数据，在未见过的恶劣天气条件下实现视觉穿透；WOD-DA是Waymo开放数据集的领域自适应挑战，旨在提高在恶劣天气下的物体检测性能；CADC数据集提供了加拿大不利驾驶条件下的数据，用于研究自动驾驶车辆在雨、雾等天气下的感知能力；Kradar则利用4D雷达技术，实现在各种天气条件下的自动驾驶物体检测。
解决学术问题
这些数据集解决了自动驾驶领域中一个关键问题，即在恶劣天气条件下如何准确地进行三维物体检测。它们提供了丰富的实验数据，使得研究人员能够开发出鲁棒的算法，即使在雨、雾、雪等极端天气条件下也能保持高精度的物体检测。这对于提升自动驾驶车辆的安全性和可靠性具有重要意义。
实际应用
在实际应用中，这些数据集的应用场景广泛，包括自动驾驶车辆在雨、雾、雪等恶劣天气条件下的行驶，以及无人机在复杂气象条件下的导航等。它们为自动驾驶系统提供了在不同天气条件下的训练和测试数据，有助于提升系统的环境适应性。
数据集最近研究
最新研究方向
DENSE(STF)、WOD-DA、CADC、Kradar等数据集在3D物体检测领域的前沿研究方向主要集中在恶劣天气条件下的自动驾驶。这些数据集的最新研究涉及到了多模态传感器融合、领域自适应、点云去噪、雷达和相机检测等方面，以提升自动驾驶系统在不同天气条件下的鲁棒性和准确性。
以上内容由遇见数据集搜集并总结生成
