STF_dense_fog (SeeingThroughFog)

我们在具有挑战性的恶劣天气条件下引入了一个对象检测数据集，涵盖了真实驾驶场景中的 12000 个样本和雾室内受控天气条件下的 1500 个样本。该数据集包括雾、雪和雨等不同的天气条件，是在北欧超过 10,000 公里的驾驶中获得的。右侧显示了沿途城市的驾驶路线。总共有 100k 个对象用准确的 2D 和 3D 边界框进行标记。该数据集的主要贡献是： - 我们为涵盖信号增强、域适应、对象检测或多模态传感器融合的广泛算法提供了试验场，专注于学习传感器之间的鲁棒冗余，特别是如果它们在不同的天气条件下不对称地失败。 - 创建数据集的最初目的是展示方法，这些方法学习传感器之间的稳健冗余，并在由于恶劣天气影响引起的不对称传感器故障的情况下启用原始数据传感器融合。 - 在我们的案例中，我们脱离了提案级别的融合，并应用了由测量熵驱动的自适应融合，从而在未知的不利天气影响的情况下也能进行检测。该方法优于其他参考融合方法，甚至低于单图像方法。 - 请查看我们的论文以获取更多信息。