Comprehensive Analysis of Object Detection using RGB Camera for Autonomous Vehicles under Adverse Weather Conditions
Notice bibliographique
Résumé
In recent years, object detection and recognition algorithms have achieved acceptable performance in normal weather conditions. However, these algorithms fail to provide the same results in adverse weather conditions which hampers autonomous vehicles widespread utilization. As a result, analyzing the performance of autonomous vehicle sensors in severe environments is very important. This paper evaluates the performance of camera sensors under diverse weather scenarios using the BDD100k dataset. Specifically, we compare the detection accuracy of models trained and tested on individual weather conditions, such as rain, snow, and clear weather including different times like day and night. In addition, a general model is trained on aggregated data to compare the performance of models specifically trained for a weather condition with a generalized model. Metrics such as mean Average Precision, Recall, and Precision are calculated and assessed for 3 types of object groups categorized as small, medium, and large objects. The results demonstrate that weather-specific models perform better in their respective weather conditions, particularly for small and medium objects. However, the general model provides consistent and robust performance across all weather scenarios, making it suitable for general-purpose applications. Additionally, the paper highlights the trade-offs between model generalization and specialization, time of the day, and the impact of object size on detection accuracy. These findings contribute to the development of more reliable and adaptable object detection systems for adverse weather environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».