How Reliable Are Object Detection Models Beyond Clear Weather? A Deployment-Oriented Robustness Study for Autonomous Driving
本研究评估了仅在晴朗白昼数据上训练的各类目标检测模型的跨天气鲁棒性与校准可靠性，揭示了在恶劣条件下性能显著下降的现象——特别是针对公交车以及像 DETR 这样的基于 Transformer 的架构——同时强调了基于 YOLO 的检测器在置信度对齐方面表现出更优越的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
自动驾驶汽车的梦想依赖于一个单一且脆弱的承诺：无论在一天中的什么时间，也无论天空处于何种状态，车辆的“眼睛”都能像人类驾驶员一样清晰地观察世界。多年来，工程师们通过向计算机展示数以千计在晴朗阳光下拍摄的图像，教会它们识别汽车、巴士和行人。这些数字模型在光线完美且道路干燥时，识别物体的能力已变得极其出色。但现实世界很少是完美的。会下雨，会降雪，雾气会弥漫，黑夜会降临。当天气变化时，计算机所依赖的视觉线索——例如保险杠的锐利边缘，或是行人与道路之间的对比度——可能会消失或发生扭曲。对于安全性而言，关键问题不仅在于这些系统在实验室中表现如何，而在于当环境发生它们从未被教导去预期的变化时，它们的表现如何。
一组研究人员致力于回答这个问题，他们测试了现代目标检测模型的极限，且没有给它们任何针对恶劣天气的特殊训练。他们选取了几种不同类型的检测系统，包括那些旨在追求速度的系统和那些为高精度而构建的系统，并仅使用晴朗的日间驾驶场景对它们进行训练。模型准备就绪后，研究人员并没有教给它们任何新知识。相反，他们只是将摄像头转向了不可见的领域：雾蒙로的清晨、阴雨绵绵的街道、白雪皑皑的高速公路以及漆黑的夜晚。其目标是观察当模型被迫在从未见过的环境中运行时，其寻找物体的能力会下降多少，从而模拟出一种汽车在未经当地天气模式预先接触的情况下被部署的真实场景。
结果揭示了一个残酷的现实。虽然模型在它们熟悉的晴朗条件下表现良好，但随着环境变得更具挑战性，它们的可靠性便崩塌了。最剧烈的失败发生在夜间，系统定位物体的能力下降了高达 62.90%。这表明，光线的缺失是这些摄像头的最大障碍，其影响远超雨或雪。研究还发现，并非所有物体都同样脆弱。像汽车这样的大型车辆表现相对稳定，即使在能见度较差的情况下也能保持稳健。然而，巴士和卡车被证明对光线和大气的变化高度敏感，它们的检测率在黑暗中骤降。行人由于体积较小且难以辨识，也遭受了显著的准确度损失，尤其是在太阳落山之后。
研究人员还观察了这些模型在不确定时能在多大程度上保持“诚实”。在涉及安全的关键情况下，系统绝不能在其实际是在猜测时，还自信地声称看到了某人。研究发现，一些速度更快、更轻量化的模型表现得异常诚实；即使在看不清的情况下，它们的内部置信度得分仍与实际表现保持一致。相比之下，更复杂的模型往往会产生错误的过度自信，即使在完全漏掉物体时，仍预测自己对检测结果很有把握。这种置信度与现实之间的错位是一种隐藏的危险，因为它可能导致车辆基于一种虚假的安全感做出危险的决策。
最终，这项工作表明，仅针对完美天气进行训练，会让系统在一年中的其余时间里处于危险的准备不足状态。该研究并未提出修复这些模型的新方法，而是提供了一个清晰、受控的测量，用以衡量它们在天气变化时目前的失效程度。它表明，尽管某些架构比其他架构更具鲁棒性，但没有任何一种架构能免受雨夜或暴风雪带来的混乱影响。为了让这项技术足够安全以行驶在开放道路上，业界必须超越理想条件的测试，开发出能够真正看穿迷雾、雨水和黑暗的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。