多偏振语义分割网络

低能见度下精度高3.44%

首个联合DoP与AoP偏振参数进行低能见度场景语义分割的深度网络，显著优于单特征基线。

Shan, Yuanhe · 王会峰 · Hao, Du · Haonan, Peng · Yueyuan, Guan · 黄鹤 · Zhang, Xiaowei · Jiao, Yunmei · Chengyan, Zhang · Zefeng, Pan · Jiarui, Zhao · He, Jianhua

IEEE Transactions on Intelligent Transportation Systems 2026

参数信息

精度（Accuracy）

3.44 %

技术优势

同时利用两种偏振参数

首次将DoP与AoP同时输入深度网络，两个参数互补，提供更丰富的场景特征，从而提升低能见度下的分割效果。

精度提升3.44%

与基准方法相比，TransWNet在低能见度交通场景语义分割中的 Accuracy 提升了3.44个百分点。

应用场景

• 自动驾驶视觉感知：在雾、雨、低光照等低能见度下更可靠地分割车辆和道路，直接提升自动驾驶安全性。
• 机器人视觉：为机器人在烟尘、黑暗等退化视觉环境中提供更强的场景理解能力。
• 偏振成像：证明同时利用DoP和AoP比单一偏振参数更能提升感知模型性能，推动偏振成像应用。
• 工业视觉检测：在低可见度工业环境中（如夜间工地、烟雾车间）实现更准确的目标分割。