球網(wǎng)”（SphereNet）[93] 及其變體 [94]、[95]、[96] 在球面上構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（CNNs），并且還明確地對(duì)畸變不變性進(jìn)行編碼。“球網(wǎng)” 通過調(diào)整卷積濾波器的采樣位置并將其環(huán)繞在球面上以消除畸變的方式來實(shí)現(xiàn)這一點(diǎn)。利用基于常規(guī)卷積建模的 “球網(wǎng)”，可以將現(xiàn)有的透視卷積神經(jīng)網(wǎng)絡(luò)模型遷移到全向場(chǎng)景中。此外，水平和垂直方向上的準(zhǔn)畸變表明魚眼圖像并不符合球面投影模型。楊等人 [97] 對(duì)多個(gè)將等距柱狀投影（ERP）序列作為直接輸入數(shù)據(jù)的檢測(cè)算法的結(jié)果進(jìn)行了比較，結(jié)果顯示，如果不將等距柱狀投影序列投影為常規(guī)二維圖像，卷積神經(jīng)網(wǎng)絡(luò)只能達(dá)到一定的準(zhǔn)確率。

“魚眼 YOLO”[14]、[98] 研究了諸如定向邊界框、橢圓以及通用多邊形等多種表示形式。利用交并比（IoU）指標(biāo)以及精確的實(shí)例分割真實(shí)標(biāo)注，他們對(duì)這些表示形式進(jìn)行了比較。他們提出了一種新的曲線邊界框方法，該方法對(duì)于魚眼畸變相機(jī)模型來說具有最佳特性，同時(shí)還提出了一種曲率自適應(yīng)周長(zhǎng)采樣方法來生成多邊形頂點(diǎn)，相較于均勻采樣，這種方法可將平均精度均值（mAP）分?jǐn)?shù)提高 4.9%?？傮w而言，所提出的多邊形卷積神經(jīng)網(wǎng)絡(luò)模型將平均交并比相對(duì)準(zhǔn)確率提高了 40.3%。

污漬問題：環(huán)視相機(jī)直接暴露在外部環(huán)境中，容易受到污漬沾染。相比之下，前置相機(jī)位于擋風(fēng)玻璃后面，受污漬影響的可能性較小。這一任務(wù)最初在 [99] 中被正式定義。污漬區(qū)域有兩種類型：不透明的（泥土、灰塵、積雪）和透明的（水、油以及油脂）。由于背景可見度有限，透明污漬可能難以識(shí)別。污漬會(huì)導(dǎo)致感知精度顯著下降，因此，對(duì)于更高級(jí)別的自動(dòng)駕駛，會(huì)采用噴水清潔系統(tǒng)或者更先進(jìn)的基于超聲波的清潔方式。即便相機(jī)未被清潔，也需要進(jìn)行污漬檢測(cè)，以便在圖像質(zhì)量下降的區(qū)域增強(qiáng)視覺算法的不確定性處理能力。由于收集污漬數(shù)據(jù)比較困難，“臟污生成對(duì)抗網(wǎng)絡(luò)”（DirtyGAN）[100] 提出利用生成對(duì)抗網(wǎng)絡(luò)（GANs）在真實(shí)場(chǎng)景上人工生成不同的污漬圖案。污漬的邊界模糊且界定不清晰，因此人工標(biāo)注可能會(huì)存在主觀性且容易產(chǎn)生誤差。達(dá)斯（Das）等人 [101] 提出了瓦片級(jí)污漬分類方法，以處理有誤差的標(biāo)注并提高計(jì)算效率。烏里卡爾（Uricar）等人 [102] 提出利用基于集成的偽標(biāo)簽半監(jiān)督學(xué)習(xí)方法來自動(dòng)優(yōu)化有誤差的標(biāo)注。

從感知角度來看，處理污漬問題有兩種方式。一種方式是納入魯棒性措施來改進(jìn)感知算法。例如，薩卡里迪斯（Sakaridis）等人 [103] 提出了一種能識(shí)別霧天場(chǎng)景的語義分割方法。另一種方式是對(duì)污漬區(qū)域進(jìn)行修復(fù)。泥土或水滴通常是靜止的，偶爾會(huì)有流動(dòng)水滴的低頻動(dòng)態(tài)變化，因此，使用基于視頻的修復(fù)技術(shù)會(huì)更有效。波拉夫（Porav）等人 [104] 通過結(jié)合使用立體相機(jī)和滴水裝置來模擬相機(jī)鏡頭上的雨滴，對(duì)透明污漬問題進(jìn)行了探索。這樣做是為了自動(dòng)標(biāo)注有雨漬的像素，他們還訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）來修復(fù)有雨漬的區(qū)域。烏里卡爾（Uricar）等人 [105] 提供了一個(gè)針對(duì)環(huán)視相機(jī)的去污漬數(shù)據(jù)集基準(zhǔn)。他們使用三個(gè)不同程度沾染污漬且彼此鄰近的相機(jī)，以及一個(gè)未沾染污漬、可作為真實(shí)標(biāo)注依據(jù)的第四個(gè)相機(jī)。他們實(shí)現(xiàn)了一個(gè)多幀基準(zhǔn)方法，該方法能夠隨著時(shí)間推移利用污漬遮擋區(qū)域可見性變化的優(yōu)勢(shì)。

太陽眩光檢測(cè)是與污漬問題密切相關(guān)的一項(xiàng)任務(wù)。在手動(dòng)駕駛和自動(dòng)駕駛中，太陽眩光都是一個(gè)典型問題。太陽眩光會(huì)導(dǎo)致圖像曝光過度，這對(duì)視覺感知算法有重大影響。對(duì)于更高級(jí)別的自動(dòng)駕駛而言，系統(tǒng)能夠識(shí)別出存在太陽眩光（這可能會(huì)降低系統(tǒng)性能）是至關(guān)重要的。關(guān)于自動(dòng)駕駛中太陽眩光檢測(cè)的文獻(xiàn)比較匱乏，其檢測(cè)方法主要基于圖像處理算法來檢測(cè)飽和亮度區(qū)域并提取相關(guān)部分。從安全系統(tǒng)的角度來看，需要一種高度魯棒性的算法。因此，亞希奧伊（Yahiaoui）等人 [106] 創(chuàng)建了兩種互補(bǔ)的算法，它們利用傳統(tǒng)圖像處理技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)全局上下文信息。

充電板輔助：電動(dòng)汽車正變得越來越普及，感應(yīng)式充電板是一種實(shí)用且有效的充電方式。然而，由于駕駛員通常很難精確地將車輛對(duì)準(zhǔn)以實(shí)現(xiàn)最佳感應(yīng)充電，所以理想的解決方案是對(duì)充電板進(jìn)行自動(dòng)對(duì)準(zhǔn)。使用環(huán)視相機(jī)是很理想的，因?yàn)檫@屬于近場(chǎng)感知任務(wù)，并且可以作為自動(dòng)泊車系統(tǒng)的擴(kuò)展功能來實(shí)現(xiàn)。達(dá)哈爾（Dahal）等人 [107] 提出了一種基于環(huán)視相機(jī)框架的方法，該方法能自動(dòng)識(shí)別、定位車輛，并使其與感應(yīng)充電板對(duì)齊。充電板的外觀設(shè)計(jì)并不統(tǒng)一，而且往往無法提前識(shí)別。因此，采用依賴離線訓(xùn)練的系統(tǒng)偶爾會(huì)失效。此后，他們提出了一種自監(jiān)督在線學(xué)習(xí)技術(shù)，該技術(shù)通過利用駕駛員手動(dòng)將車輛與充電板對(duì)齊時(shí)的操作，以及弱監(jiān)督語義分割和深度預(yù)測(cè)，學(xué)習(xí)一個(gè)分類器來自動(dòng)標(biāo)注視頻序列中的充電板，以便進(jìn)行進(jìn)一步訓(xùn)練。當(dāng)遇到之前未檢測(cè)到的充電板時(shí)，駕駛員需要手動(dòng)將車輛對(duì)準(zhǔn)一次，因?yàn)槲挥诘孛嫔系某潆姲迨瞧降?，從遠(yuǎn)處不容易看到和發(fā)現(xiàn)。為了實(shí)現(xiàn)從更廣泛的范圍進(jìn)行對(duì)準(zhǔn)，他們提議采用視覺同時(shí)定位與地圖構(gòu)建（SLAM）框架來學(xué)習(xí)相對(duì)于充電板的地標(biāo)。

拖車輔助：拖車常被用于運(yùn)輸產(chǎn)品和娛樂設(shè)備。即使對(duì)于經(jīng)驗(yàn)豐富的駕駛員來說，操控帶有拖車的車輛（尤其是倒車時(shí)）也可能很棘手且令人不愉快。因此，在這些情況下，駕駛員輔助系統(tǒng)就派上用場(chǎng)了。通常會(huì)使用單個(gè)后視魚眼相機(jī)感知算法來實(shí)現(xiàn)相關(guān)功能。由于沒有針對(duì)這一難題的公開可用數(shù)據(jù)集，所以關(guān)于該主題的學(xué)術(shù)研究相對(duì)較少。這促使達(dá)哈爾（Dahal）等人 [108] 詳細(xì)闡述了所有拖車輔助應(yīng)用場(chǎng)景，并針對(duì)拖車感知問題提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的解決方案。通過深度學(xué)習(xí)，他們構(gòu)建了一個(gè)用于拖車檢測(cè)和鉸接角度估計(jì)任務(wù)的數(shù)據(jù)集。他們利用高效的卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶（LSTM）模型，通過對(duì)拖車及其角度進(jìn)行檢測(cè)和跟蹤，開發(fā)出了相關(guān)方法并獲得了較高的準(zhǔn)確率。