通过图像质量增强和特征蒸馏来传递增强的材料知识，以进行路面状况识别

快速阅读: 据《Nature.com》最新报道，针对全天候路面状况检测需求，研究提出IQEFD框架，结合ConvNeXt、HAM及特征蒸馏技术，显著提升分类精度。实验表明其在多数据集上表现优异，源码已开源。该成果增强了自动驾驶安全性，推动智能交通发展。

在自动驾驶技术飞速发展的背景下，保障乘客的安全与舒适已成为核心任务。特别是在恶劣天气或特定时段内，准确识别路面状况，对自动驾驶车辆的安全运行及乘坐体验至关重要。因此，我们提出了一种名为“基于图像质量增强和特征蒸馏”（Image Quality Enhancement and Feature Distillation, IQEFD）的新框架，用于全天候检测多种路面状况，并实现精准的状态分类。

IQEFD模型首先采用ConvNeXt作为主干网络，提取高质量的基础特征。随后设计了一种嵌入混合注意力机制（Hybrid Attention Module, HAM）的双向融合模块，有效提取多尺度精炼特征，从而减少连续上采样和下采样过程中可能产生的信息损失。之后，通过融合由图像增强网络Zero-DCE提取的增强特征，生成融合注意力特征。进一步地，通过特征蒸馏，增强特征在线指导融合注意力特征，传递强化知识并优化特征表达的一致性。

经实验证明，IQEFD能够在多个公开数据集上精确分类多种路面状况，如干燥、潮湿以及积雪等环境。尤其在噪声干扰下的夜间图像检测中表现出卓越的稳定性。具体而言，该模型在YouTube-w-ALI和YouTube-w/o-ALI数据集上的准确率分别达到了98.04%和98.68%，显著优于现有最先进水平的基准模型。此外，IQEFD在经典材质图像数据集MattrSet上也展现了良好的泛化能力，平均准确率达到75.86%。

这项研究成果为路面状况识别提供了全新视角。IQEFD的源代码已开源，可访问https://github.com/rainzyx/IQEFD获取。

这项创新不仅提升了自动驾驶系统的安全性与可靠性，还为未来智能交通系统的进一步发展奠定了坚实基础。随着更多应用场景的探索，相信这一技术将为人类带来更加便捷、安全的出行体验。

(以上内容均由Ai生成)