概要: WeatherSeg は、高度な半教師ありセグメンテーションの枠組みであり、悪天候下における自律走行の環境認識課題に対処しつつ、アノテーションコストを削減します。この枠組みは、天候の影響を受けた画像からの知識蒸留を可能にする Dual Teacher-Student Weight-Sharing Model (DTSWSM) と、環境属性に基づいて分類器の重みを動的に調整する Classifier Weight Updating Attention Mechanism (CWUAM) を統合しています。包括的な評価により、WeatherSeg は、晴天、雨天、曇天、霧天といったさまざまな天候条件のもとで、精度と頑健性の両面においてベースラインモデルを大幅に上回ることが示されます。これにより、WeatherSeg は自律走行および関連アプリケーションにおける全天候型セマンティックセグメンテーションの有効な解決策として確立されています。
WeatherSeg：教師・生徒のデュアル学習とクラス分類器更新アテンションによる天候ロバスト画像セグメンテーション
arXiv cs.CV / 2026/4/28
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- WeatherSegは、自動運転における雨・曇り・霧などの悪天候下での意味セグメンテーションを対象にした半教師ありフレームワークで、必要なアノテーション工数の削減も狙っています。
- 本手法では、Weather-degraded（天候で劣化した）画像から知識蒸留を行うDual Teacher-Student Weight-Sharing Model（DTSWSM）を用い、標準的な学習を超えて頑健性を高めます。
- さらに、Classifier Weight Updating Attention（CWUAM）により、環境属性に応じて分類器の重みを動的に更新し、状況の変化へ適応できるようにしています。
- 実験では、WeatherSegが、晴天・雨天・曇天・霧など複数の条件で、精度と天候ロバスト性の両面でベースラインを上回ると報告されています。
- arXivでの公開により、天候が変化する現実の走行環境における知覚信頼性を高める研究方針として位置付けられています。
