Challenge：
之前网络架构的设计假设数据流是一致的，即出现在一个模态中的对象也出现在另一个模态中。然而，在恶劣的天气条件下，如雾、雨、雪或极端照明条件，多模态传感器配置中的信息可能不对称。不同传感器在特征提取阶段单独处理，在存在不对称测量失真的情况下，融合性能比单传感器差。
Contribution：
1.第一个恶劣天气下的大型多模态驾驶数据集，激光雷达、相机、雷达、门控近红外传感器和FIR传感器的100k标签
2.提出了由测量熵驱动的自适应特征融合而非proposals级别的融合（无需为这些场景提供大型带注释的训练数据集）
Method：
STF数据集，详见恶劣数据集总结
自适应深度融合：允许在非对称的传感器信息的情况下进行多模态融合。
-
偏离了最近的BEV投影方案或原始点云输入，因为BeV投影或点云输入不允许深度早期融合，因为他们在早期层中的特征表示本质上与相机特征不同。
-
使用修改后的VGG网络，conv4-10作为RPN网络输入
-
为每个特征交换块提供传感器熵，根据可用信息单独缩放每个传感器的连接特征。熵低的区域可以衰减，而熵丰富的区域可以在特征提取中被放大。这样做可以自适应地融合特征提取堆栈本身中的特征
Entropy-steered Fusion
将投影分为16x16的patch，计算每个patch的local measurement entropy（理解为图像熵），pmni理解为第(m,n)个patch灰度为i的概率。pmn理解为第(m,n)个patch的信息熵，所有patch的信息熵和即为该投影的信息熵。
不同模态数据熵在不同情况下的变化：
RGB相机和LiDAR受到后向散射和衰减的影响，雾能见度降低数据熵显著降低。
门控和Radar则没有明显变化。光照情况下，随着亮度降低，RGB和门控数据信息熵明显减少，LiDAR和Radar则变化较少。
Experiments：
由于训练数据获取的天气偏差，只使用所提出数据集的晴朗天气部分进行训练（雾化数据增强），使用多模态天气数据集作为测试集来评估检测性能
