数据质量至关重要：量化图像质量对机器学习性能的影响
计算机视觉与模式识别
2025-03-31 v1 图像与视频处理
摘要
在高度自动化的驾驶系统中，精确感知环境对于依赖目标检测和分割等机器学习任务的感知至关重要。数据压缩常用于数据处理，而虚拟化用于硬件-in-the-loop 验证。两种方法都可能改变传感器数据并降低模型性能。这使得系统化地量化图像有效性变得必要。本文提出了一个四步框架来评估图像修改对机器学习任务的影响。第一步准备具有修改后图像的数据集，以确保一对一的图像匹配，使能够测量压缩和虚拟化导致的偏差。第二步通过将压缩和虚拟化的效果与基于原始相机传感器数据的效果进行比较来量化图像偏差。第三步分析最先进的目标检测模型的性能，以确定改变的输入数据如何影响感知任务，包括边界框准确性和可靠性。最后进行相关性分析以识别图像质量和模型性能之间的关系。结果表明，LPIPS 指标在所评估的所有机器学习任务中，实现了最高的图像偏差与机器学习性能之间的相关性。
引用
@article{arxiv.2503.22375,
title = {Data Quality Matters: Quantifying Image Quality Impact on Machine Learning Performance},
author = {Christian Steinhauser and Philipp Reis and Hubert Padusinski and Jacob Langner and Eric Sax},
journal= {arXiv preprint arXiv:2503.22375},
year = {2025}
}
备注
Submitted to IEEE IV 2025, Under Review