通过单次损坏适应归一化统计信息提升模型对输入损坏的鲁棒性
计算机视觉与模式识别
2024-07-10 v1
摘要
开发可靠的视觉系统是机器人技术（如室内服务机器人和户外自主机器人）的基本挑战，这些系统能够在诸如恶劣天气条件（如雾天、雨天）、光照条件不良（如过度/不足曝光）或传感器退化（如模糊、噪声）等具有挑战性环境中确保可靠导航，并在安全关键功能中保证高性能。目前用于提高模型鲁棒性的解决方案通常依赖通用数据增强技术或采用昂贵的测试时适应方法。此外，大多数方法聚焦于解决单一视觉任务（通常是图像识别），并利用合成数据。在本文中，我们引入单次损坏适应归一化统计信息（Per-corruption Adaptation of Normalization statistics, PAN）以增强视觉系统的模型鲁棒性。我们的 метод包括三个关键组件：（i）损坏类型识别模块、（ii）基于识别到的损坏类型的归一化层统计信息的动态调整，以及（iii）根据输入数据实时更新这些统计信息。PAN 可无缝集成到任何卷积模型中，以在几种机器人视觉任务中实现提高的准确性。在我们的实验中，PAN 在具有挑战性的真实世界损坏图像数据集（如 OpenLoris、ExDark、ACDC）上获得稳健的性能提升，其中大多数当前解决方案倾向于失败。此外，PAN 在对象识别任务中的合成基准测试上比基线模型高出 20-30%。
引用
@article{arxiv.2407.06450,
title = {Enhanced Model Robustness to Input Corruptions by Per-corruption Adaptation of Normalization Statistics},
author = {Elena Camuffo and Umberto Michieli and Simone Milani and Jijoong Moon and Mete Ozay},
journal= {arXiv preprint arXiv:2407.06450},
year = {2024}
}