论通过数据失真度量遮挡鲁棒性的陷阱
计算机视觉与模式识别
2022-11-28 v1 机器学习
摘要
过去几年中，数据的关键作用在很大程度上被该领域对架构与训练流程的关注所掩盖。我们常在不察觉其更广泛影响的情况下对数据造成改动。在本文中，我们表明在不考虑所引入伪影的情况下扭曲图像，会在确立遮挡鲁棒性时导致有偏的结果。为确保模型在真实场景中的表现符合预期，我们需要排除所添伪影对评估的影响。我们提出一种新方法 iOcclusion，作为在可能遮挡物未知的应用中更公平的替代方案。
关键词
引用
@article{arxiv.2211.13734,
title = {On Pitfalls of Measuring Occlusion Robustness through Data Distortion},
author = {Antonia Marcu},
journal= {arXiv preprint arXiv:2211.13734},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2111.11514