WILD SAM：厳しい天候下の自動運転向け知覚に対するシミュレーション×実データのデータ拡張

要旨: 最先端の物体検出器の性能は、悪天候下では大きく劣化し、自動運転車にとって安全性が重要な領域シフト問題が生じます。近年、この問題に対して、物体検出器を訓練するために合成データに依存することで対処する取り組みが行われてきましたが、それにより現実世界での適用可能性が制限されます。一方で、疑似ラベリングは、データセット間の領域適応問題において広く用いられています。しかし、過酷な天候条件下で生成されるこれらのラベルはノイズを含むため、天候に基づく領域適応のアプローチでは、これらの手法が十分に活用されていません。本論文では、天候に起因する領域シフトを緩和するための新しい2つのアプローチを提案します。まず、悪天候下で実環境から取得されたデータによって生成されるノイズの多い疑似ラベルをフィルタリングする、Weather-Induced pseudo Label Denoising（WILD）フレームワークを提案します。次に、擬似ラベルのデノイズと、シミュレーションに基づく訓練の解法の両方を活用しつつ、ターゲットの過酷な天候領域からの実データを用いる、新しいハイブリッド訓練手法であるWILD SAMを開発します。提案するWILDおよびWILD SAMの両方を、最近公開されたFour Seasonsデータセットにおける雨および雪のシナリオで検証します。実験の結果、提案フレームワークは平均適合率（AP）を最大13\%向上させ、ベースラインに対して天候に起因する性能ギャップを大幅に低減することが示されました。コードは以下で利用可能です: https://github.com/Kh-Hamed/WILD-SAM