利用频率偏置模型提升对常见 corruptions 的鲁棒性
计算机视觉与模式识别
2021-03-31 v1
摘要
当训练与测试分布为独立同分布(i.i.d)时,CNN 表现极为出色,但未见过的图像 corruptions 会导致性能出现令人惊讶的大幅下降。在各种真实场景中,随机噪声、压缩伪影或天气失真等意外畸变是常见现象。提升在 corrupted 图像上的性能不应导致 i.i.d 性能下降——这是许多最先进鲁棒方法面临的挑战。图像 corruption 类型在频谱上具有不同特征,并会受益于有针对性的数据增强,然而这在训练时往往未知。在本文中,我们引入了一种分别专精于高频与低频鲁棒性的双专家模型混合。此外,我们提出了一种新的正则化方案,通过最小化卷积特征图的全变差(TV)来增强高频鲁棒性。该方法在 corrupted 图像上有所改进,且不降低分布内性能。我们在 ImageNet-C 以及一个自动驾驶数据集上的真实世界 corruptions 上证明了这一点,两者均涉及目标分类与目标检测。
引用
@article{arxiv.2103.16241,
title = {Improving robustness against common corruptions with frequency biased models},
author = {Tonmoy Saikia and Cordelia Schmid and Thomas Brox},
journal= {arXiv preprint arXiv:2103.16241},
year = {2021}
}