增强目标检测鲁棒性：一种合成与自然扰动方法
计算机视觉与模式识别
2023-04-24 v1
摘要
针对真实世界分布偏移的鲁棒性对于目标检测模型在实际应用中的成功部署至关重要。本文研究评估并增强目标检测模型对自然扰动（如变化的照明条件、模糊和亮度）鲁棒性的问题。我们使用 COCO 2017 数据集和 ExDark 数据集，分析了四种最先进的深度神经网络模型：Detr-ResNet-101、Detr-ResNet-50、YOLOv4 和 YOLOv4-tiny。通过利用 AugLy 包模拟合成扰动，我们系统地探索了通过数据增强技术提升模型鲁棒性所需的合成扰动的最优水平。我们全面的消融研究细致地评估了合成扰动对目标检测模型在真实世界分布偏移下性能的影响，建立了合成增强与真实世界鲁棒性之间的切实联系。我们的发现不仅证实了合成扰动在提升模型鲁棒性方面的有效性，还为研究者和从业者开发面向真实世界应用、更鲁棒可靠的目标检测模型提供了宝贵见解。
引用
@article{arxiv.2304.10622,
title = {Enhancing object detection robustness: A synthetic and natural perturbation approach},
author = {Nilantha Premakumara and Brian Jalaian and Niranjan Suri and Hooman Samani},
journal= {arXiv preprint arXiv:2304.10622},
year = {2023}
}
备注
09 pages, 4 figures