Benchmarking Robustness in Object Detection: Autonomous Driving when Winter is Coming
论文链接: https://arxiv.org/abs/1907.07484
一、 Problem Statement
几种类型的失真来增强训练数据,并不是实现对以前未知的失真的鲁棒性的解决方案。最近的研究表明,CNN对新的失真类型的泛化能力较差,尽管CNN接受了各种其他失真的训练。本文 关注不太极端但更常见的可感知图像失真问题,如模糊图像、噪声或雪等自然失真。
如果我们能够建立对每一种可能的图像失真都具有鲁棒性的模型,那么天气变化将不会成为问题。
二、 Direction
一种简单的数据增强技术,将训练图像样式化,从而使得模型在失真类型、严重程度和数据集之间大大提高鲁棒性。
三、 Method
1. 失真类型
提供了15种失真类型:
其次,作者也认为对于图像分类,Style transfer能极大地提高图像的鲁棒性。
2. Experiments
通过实验,作者得出以下结论:
-
Image corruptions reduce model performance
图像失真,确实会降低模型的性能。
-
Robustness increases with backbone capacity
根据上图得出,如果模型的backbone容量大,可以在失真的情况下,有相对好的性能。 如果主要的backbone已经受到足够的损害,则更好的head结构也无法提取更多信息。 -
Training on stylized data improves robustness
将stylized data和干净数据相结合似乎可以实现两个方面的最佳效果:干净数据的高性能以及在损坏情况下的性能显著提高。
-
Training directly on stylized data is better than using stylized data only during pre-training
-
Robustness to natural distortions is connected to synthetic corruption robustness
作者发现这些天气变化对所有三种模型的性能几乎没有影响,但联合训练提高了对“雨”和“雪”图像的泛化能力;根据白天拍摄的图像训练的模型在夜间的表现要差得多,但联合训练可以提高夜间的表现。
-
Performance degradation does not simply scale with perturbation size
四、 Conclusion
自动驾驶的数据增强办法,提高模型的鲁棒性。