分类任务对常见光学像差的鲁棒性
计算机视觉与模式识别
2023-08-31 v1
摘要
使用深度神经网络（DNNs）的计算机视觉已给人们生活带来开创性变化。应用涵盖汽车、安防行业的人脸识别，到工业过程监控。某些情况下，DNNs 甚至在安全关键场景中推理。因此，对实际应用而言，DNNs 须对噪声、像素化或模糊等扰动表现出鲁棒性。模糊直接影响 DNNs 性能，常近似为建模散焦的盘形核。然而，光学表明因光学像差存在依赖于波长和位置的不同核形状。实践中，随镜头光学质量下降，此类像差增加。本文提出 OpticsBench，一个研究对真实、实际相关光学模糊效应鲁棒性的基准。每种损坏代表由 Zernike 多项式导出的光学像差（彗差、像散、球差、三叶差）。在 ImageNet 上的实验表明，多种不同预训练 DNNs 的性能相较盘形核差异显著，表明考虑真实图像退化的必要性。此外，我们在 ImageNet-100 上用 OpticsAugment 表明，通过使用光学核作为数据增强可提升鲁棒性。相比常规训练的 ResNeXt50，用 OpticsAugment 训练在 OpticsBench 上平均性能提升 21.7% 个百分点，在 2D 常见损坏上提升 6.8% 个百分点。
引用
@article{arxiv.2308.15499,
title = {Classification robustness to common optical aberrations},
author = {Patrick Müller and Alexander Braun and Margret Keuper},
journal= {arXiv preprint arXiv:2308.15499},
year = {2023}
}
备注
ICCVW2023