FOCUS：常见与不常见场景中的熟悉物体

深度学习的标准训练数据集通常包含处于常见场景中的物体（例如“草地上的马”或“水中的船”），因为它们通常通过网络随机抓取收集。因此，不常见和稀有场景（例如“水面上的飞机”、“雪天中的汽车”）在训练数据中严重代表性不足。这可能导致模型预测中不当地偏向常见场景，并造成准确的错觉。本文引入 FOCUS（常见与不常见场景中的熟悉物体），一个用于压力测试深度图像分类器泛化能力的数据集。借助现代搜索引擎的能力，我们刻意收集了在广泛地点、天气条件和一天中不同时段包含常见与不常见场景中物体的数据。我们详细分析了多种流行图像分类器在我们数据集上的性能，并展示了在不常见场景中分类图像时性能明显下降。通过分析这些模型的深度特征，我们表明此类错误可能源于模型预测中使用了伪特征。我们相信，我们的数据集将帮助研究者理解深度模型难以良好泛化至不常见场景的局限，并推动未来改进其分布鲁棒性的工作。