面向自动驾驶系统的恶劣天气图像分类CNN方法评估：一种新型评估框架与性能分析

《IEEE Open Journal of Intelligent Transportation Systems》：Evaluation of CNN-Based Approaches to Adverse Weather Image Classification for Autonomous Driving Systems

本研究针对自动驾驶系统(ADS)在恶劣天气条件下感知能力下降的问题，提出了一种新颖的CNN模型评估方法。通过系统比较五种单标签和两种多标签分类模型在多个数据集上的性能，并结合嵌入式平台实时测试，发现轻量级模型SLM5在多场景下表现优异。该研究为ADS在复杂天气下的可靠感知提供了重要理论依据和实践指南。

　　

当自动驾驶汽车行驶在暴雨或浓雾中时，它们的"眼睛"——光学传感器往往会变得模糊不清。恶劣天气条件(AWC)会显著降低传感器数据质量，进而影响自动驾驶系统(ADS)对周围环境的准确感知。这就好比人类驾驶员在暴风雨中视线受阻，需要更加谨慎地驾驶。然而，对于无人驾驶汽车而言，缺乏人类直觉判断的能力使得准确识别天气状况变得至关重要。

目前，虽然卷积神经网络(CNN)在图像分类任务中表现出色，但针对ADS的恶劣天气图像分类仍缺乏系统性的评估标准。不同研究使用的模型架构、数据集和评估指标各不相同，导致结果难以直接比较。更关键的是，现有研究往往忽视了模型在资源受限的嵌入式平台上的实时性能，而这正是ADS实际部署的关键需求。

在这项发表于《IEEE Open Journal of Intelligent Transportation Systems》的研究中，研究人员开发了一套创新的评估方法论，为CNN模型在ADS天气分类任务中的性能评估提供了标准化框架。该研究不仅考虑了模型精度，还重点关注了五个关键因素：天气条件多样性、数据集代表性、CNN架构设计、模型大小以及实时性能。

关键技术方法

研究团队设计了严谨的实验框架，选取了七种具有代表性的CNN模型（五种单标签、两种多标签），在六个公开数据集（MWI、WeatherDataset-4、RFS、DAWN、TCD、CADC）上进行系统测试。实验涵盖了从二分类到五分类的不同复杂度场景，最终在NVIDIA Jetson Nano嵌入式平台上进行实时性能验证。

研究结果

单标签分类性能分析

通过对比五种单标签模型在不同数据集上的表现，研究发现轻量级模型SLM5（基于改进的SqueezeNet架构）整体表现最佳，准确率达到86.20%。值得注意的是，这个仅有803K参数的模型甚至超越了参数规模更大的模型，证明了模型大小并非性能的决定性因素。

天气条件对分类难度有显著影响。具有明显特征的天气（如晴朗、雾天）更容易被准确识别，而特征相似的天气（如雨天和阴天）则容易造成模型混淆。数据集质量也被证明至关重要——经过清洗的MWI数据集使模型平均准确率提升了4.42%。

多标签分类性能对比

在多标签分类任务中，采用SSP框架优化的MLM1模型展现出更好的实用性。该模型通过五个独立的二分类器组合实现多标签预测，在保持较高准确率的同时，模型大小仅为3.1M参数，显著优于23M参数的MLM2模型。

实时性能验证

嵌入式平台测试揭示了模型实际部署的可行性。重量级模型SLM1（203M参数）和SLM2（134M参数）由于内存不足无法在Jetson Nano上运行，而轻量级模型均能实现实时推理。MLM1框架处理单张图像仅需3.6-6秒，展现了良好的工程应用前景。

结论与意义

这项研究首次建立了针对ADS天气分类任务的系统性评估标准，揭示了轻量级模型在保持精度的同时具备更好的部署优势。研究结果表明，模型性能不仅取决于架构复杂度，更与天气特征区分度、数据集质量和任务复杂度密切相关。

该评估方法的创新性在于其全面性和实用性，既考虑了算法性能，又兼顾了工程约束条件。研究者提出的设计框架可扩展到其他计算机视觉任务，为ADS在各种恶劣环境下的可靠感知提供了重要技术支撑。未来，这套评估标准有望成为行业基准，推动自动驾驶技术在复杂天气条件下的安全部署。

特别值得关注的是，研究强调了数据质量的重要性——即使是大规模数据集，如果存在标注错误或图像质量问题，也会显著影响模型性能。这一发现对后续数据集建设具有重要指导意义。同时，研究证实了迁移学习和模型压缩技术在平衡精度与效率方面的有效性，为资源受限的嵌入式系统提供了实用解决方案。