通过图像级集成学习探索颜色不变性
计算机视觉与模式识别
2024-01-22 v1
摘要
在计算机视觉领域，由现实世界光照和相机条件波动导致的颜色偏差持续存在，对模型的鲁棒性构成了重大挑战。在复杂的广域监控场景中，如行人重识别和工业粉尘分割，由于环境变化的存在，模型常因在训练期间对颜色信息过拟合而导致性能下降。因此，需要使模型有效适应以应对相机条件的复杂性。为应对这一挑战，本研究引入了一种名为随机颜色擦除的学习策略，其灵感来源于集成学习。该策略在不破坏原始图像结构的情况下，选择性地擦除训练数据中的部分或全部颜色信息，从而在神经网络中实现颜色特征与其他特征的平衡加权。该方法缓解了过拟合风险，增强了模型处理颜色变化的能力，从而提升了其整体鲁棒性。我们提出的方法作为一种集成学习策略，具有很强的可解释性。本文对该方法进行了全面分析。在行人重识别和语义分割等各种任务中，我们的方法持续改进了强基线方法。值得注意的是，与优先考虑颜色鲁棒性的现有方法相比，我们的策略在跨域场景中显著提升了性能。代码可在 \url{https://github.com/layumi/Person\_reID\_baseline\_pytorch/blob/master/random\_erasing.py} 或 \url{https://github.com/finger-monkey/Data-Augmentation} 获取。
引用
@article{arxiv.2401.10512,
title = {Exploring Color Invariance through Image-Level Ensemble Learning},
author = {Yunpeng Gong and Jiaquan Li and Lifei Chen and Min Jiang},
journal= {arXiv preprint arXiv:2401.10512},
year = {2024}
}