Cet article se concentre sur l'amélioration de la robustesse des systèmes de détection d'objets dans des conditions météorologiques défavorables. Pour répondre à cette problématique, essentielle au développement des technologies de conduite autonome, nous présentons une méthodologie d'incitation générant une augmentation de données basée sur des conditions météorologiques défavorables à l'aide d'un modèle de diffusion, Instruct Pix2Pix. L'objectif est d'atténuer l'impact des conditions météorologiques défavorables sur la capacité de reconnaissance des modèles de détection d'objets de pointe, notamment Faster R-CNN et YOLOv10. Nous menons des expériences à l'aide du simulateur CARLA et de jeux de données d'images réelles, BDD100K et ACDC, afin de vérifier l'efficacité de la méthode d'augmentation de données proposée en environnements simulés et réels. Les principales contributions consistent à identifier et quantifier les différences de performance des modèles de détection d'objets dans des conditions météorologiques défavorables et à démontrer qu'une stratégie d'augmentation de données sur mesure améliore la robustesse des modèles.
