arXiv cs.AI· Ali Abedi, Q. M. Jonathan Wu, Ning Zhang, Shiqi Tian·· 12 小时前AI 评分24
FogTTA：面向雾天 Transformer 目标检测的在线测试时自适应框架
FogTTA: Online Test-Time Adaptation for Robust Transformer-based Object Detection in Foggy Weather
AI 导读
FogTTA 是一个无需源数据或重训练的在线测试时自适应框架，可提升 Transformer 目标检测器在雾天场景下的鲁棒性。该框架以 RF-DETR 为底层检测器，采用教师-学生结构：教师模型对弱增强目标图像生成伪标签，经非极大值抑制和置信度过滤后，学生模型用 Varifocal loss 从强增强样本中学习，教师通过指数移动平均更新。实验显示其检测精度与稳定性优于已有基线，并保持实时性能。
正文 · AI 翻译
摘要：用于自动驾驶的目标检测模型在恶劣天气下部署时，由于训练数据与真实运行条件之间的域偏移，通常会经历显著的性能下降。当在晴朗天气图像上训练的模型遇到能见度和对比度降低的雾天环境时，这种性能退化尤为明显。为应对这一挑战，我们提出了 FogTTA，一个在线测试时自适应框架，旨在提升基于 Transformer 的目标检测器在雾天环境下的鲁棒性。FogTTA 以 RF-DETR 作为底层目标检测器，无需源数据或重新训练即可实时适应流式目标域。该框架采用教师-学生设计，其中部署的模型作为教师，从弱增强的目标输入中生成伪标签。这些预测随后通过非极大值抑制和置信度过滤进行精炼。学生模型则使用 Varifocal 损失从强增强的目标样本中学习，以减轻伪标签噪声。教师模型通过指数移动平均进行更新，以确保稳定且持续的自适应。实验表明，FogTTA 优于先前的基线方法，在保持实时性能的同时提供了更高的检测精度和稳定性。
| 评论： | 发表于第 39 届加拿大人工智能会议论文集（Canadian AI 2026），PMLR 318:13-24。可在 此 https URL 获取 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29618 [cs.CV] |
| （或 arXiv:2610.29618v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29618 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | 第 39 届加拿大人工智能会议论文集，PMLR 318:13-24，2026 |
提交历史
来自：Ali Abedi [查看电子邮件]
[v1]
2026 年 10 月 21 日星期三 11:57:36 UTC（3,426 KB）
来源：arXiv cs.AI · arxiv.org