今日论文速览

抓取时间（北京时间）：2026-07-30 23:26:23

1. Object Detection for Autonomous Driving in Chinese Rural Scenes: An Experimental Study on Real-Synthetic Data Mixing and Model Evaluation

• ArXiv: https://arxiv.org/abs/2607.27058v1
• 发布时间: 2026-07-29 23:49:02 (北京时间)
• 作者: Danning Zhu, Ziyan Lin, Jing Wu
• 标签: 检测

AI 深度解析

TL;DR：针对中国农村复杂交通场景，通过真实与合成数据混合策略构建专用数据集，系统评估13种主流检测器性能，发现适度合成数据（1:0.5比例）可提升检测效果，但过高比例会引入域偏移。

核心贡献：

• 构建首个面向中国农村道路的真实-合成混合目标检测数据集，包含14类农村特有目标（如电动三轮车、低速车辆、路边摊位）
• 系统评估13种主流检测器（YOLOv5/v8/v11/v26系列及RT-DETR-L）在不同真实-合成数据比例下的性能表现，提供模型选择与数据策略的实证依据
• 揭示合成数据注入的“双刃剑”效应：适度混合（1:0.5）提升mAP，但过高比例（1:1）因域偏移抵消数据规模优势

方法类型：混合架构（YOLO系列+RT-DETR-L）

适用场景：自动驾驶（农村场景）

评估指标：mAP@0.5（YOLO11m最高达0.758）

代码可用性：未提及

领域启发：该研究为图像分割与目标识别在长尾分布、非标准目标（如摊位、栏杆）的检测瓶颈提供了重要实证，提示在工程落地中需谨慎设计合成数据比例以避免域偏移，同时验证了YOLO系列在资源受限农村场景的实用性，对自动驾驶感知系统的数据增强策略和模型选型具有直接指导价值。