语义分割模型鲁棒性的基准测试
计算机视觉与模式识别
2020-08-26 v3 图像与视频处理
摘要
在为诸如自动驾驶等实际应用设计语义分割模块时，理解该模块针对广泛图像损坏的鲁棒性至关重要。尽管已有针对全图像分类的近期鲁棒性研究，我们首个基于最先进模型DeepLabv3+对语义分割进行了详尽研究。为增加研究的现实性，我们利用了由Cityscapes、PASCAL VOC 2012和ADE20K生成的近400,000张图像。基于该基准研究，我们获得了若干新见解。首先，与全图像分类相反，在大多数情况下模型鲁棒性随模型性能提升而增加。其次，某些架构特性显著影响鲁棒性，例如密集预测单元（Dense Prediction Cell），其设计仅旨在最大化干净数据上的性能。
引用
@article{arxiv.1908.05005,
title = {Benchmarking the Robustness of Semantic Segmentation Models},
author = {Christoph Kamann and Carsten Rother},
journal= {arXiv preprint arXiv:1908.05005},
year = {2020}
}
备注
CVPR 2020 camera ready