面向天气感知的街景天气识别域适应

arXiv:2610.02000v1 公告类型：cross 摘要：雨、雪、雾和沙尘等恶劣条件，仍然给自动驾驶中的基于摄像头的感知带来挑战。我们研究域偏移条件下基于街景图像的多类别天气识别问题，其中大多数可用训练数据来自非街景来源，与真实驾驶场景存在显著差异。我们提出 Weather-Aware Adversarial Discriminative Domain Adaptation（WA-ADDA），根据预测的天气类别对域判别器进行条件化，从而促使模型学习同时具备域不变性和天气敏感性的特征。我们还通过将多样化的非街景天气数据集整合为源域、将真实街景图像作为目标域，构建了一个多数据集基准，并制定了以宏平均准确率为主要指标的标准化评估协议。在 ResNet-50、EfficientNet、VGG 和 DenseNet 等不同骨干网络上，WA-ADDA 均能稳定提升街景场景下的性能，并在具有挑战性的天气条件下取得较高的各类别召回率，同时保持晴好天气下的识别准确率。这些研究结果表明，域适应天气识别具有可行性，同时也凸显了我们的基准对于推进稳健的车载感知研究的价值。