ترجمه فارسی مقاله A-BDD: استفاده از افزایش داده ها برای رانندگی ایمن در هوا در آب و هوای نامطلوب و روشنایی

چکیده

High-autonomy vehicle functions rely on machine learning (ML) algorithms to understand the environment. Despite displaying remarkable performance in fair weather scenarios, perception algorithms are heavily affected by adverse weather and lighting conditions. To overcome these difficulties, ML engineers mainly rely on comprehensive real-world datasets. However, the difficulties in real-world data collection for critical areas of the operational design domain (ODD) often means synthetic data is required for perception training and safety validation. Thus, we present A-BDD, a large set of over 60,000 synthetically augmented images based on BDD100K that are equipped with semantic segmentation and bounding box annotations (inherited from the BDD100K dataset). The dataset contains augmented data for rain, fog, overcast and sunglare/shadow with varying intensity levels. We further introduce novel strategies utilizing feature-based image quality metrics like FID and CMMD, which help identify useful augmented and real-world data for ML training and testing. By conducting experiments on A-BDD, we provide evidence that data augmentations can play a pivotal role in closing performance gaps in adverse weather and lighting conditions.

چکیده به فارسی (ترجمه ماشینی)

توابع خودروهای بالا و اتونومی برای درک محیط زیست به الگوریتم های یادگیری ماشین (ML) متکی هستند.علیرغم نمایش عملکرد قابل توجه در سناریوهای آب و هوای منصفانه ، الگوریتم های ادراک به شدت تحت تأثیر آب و هوا و شرایط نورپردازی نامطلوب قرار می گیرند.برای غلبه بر این مشکلات ، مهندسان ML عمدتاً به مجموعه داده های جامع در دنیای واقعی تکیه می کنند.با این حال ، مشکلات جمع آوری داده های دنیای واقعی برای مناطق مهم دامنه طراحی عملیاتی (ODD) اغلب به معنای داده های مصنوعی برای آموزش ادراک و اعتبار سنجی ایمنی است.بنابراین ، ما A-BDD را ارائه می دهیم ، مجموعه بزرگی از بیش از 60،000 تصویر تقویت شده مصنوعی بر اساس BDD100K که مجهز به تقسیم بندی معنایی و حاشیه نویسی جعبه محدود هستند (به ارث رسیده از مجموعه داده BDD100K).این مجموعه داده حاوی داده های افزوده شده برای باران ، مه ، غوطه وری و آفتابی/سایه با سطح شدت متفاوت است.ما در ادامه استراتژی های جدیدی را با استفاده از معیارهای کیفیت تصویر مبتنی بر ویژگی مانند FID و CMMD معرفی می کنیم که به شناسایی داده های مفید و در دنیای واقعی برای آموزش و آزمایش ML کمک می کند.با انجام آزمایشات مربوط به A-BDD ، شواهدی ارائه می دهیم که افزایش داده ها می توانند نقش مهمی در بستن شکاف های عملکرد در شرایط آب و هوایی نامطلوب و روشنایی داشته باشند.