人与计算模型在极端遮挡下物体识别的鲁棒性
计算机视觉与模式识别
2019-06-05 v2 人工智能
摘要
视觉世界中的大多数物体都被部分遮挡，但人类可以毫无困难地识别它们。然而，诸如卷积神经网络 (CNNs) 之类的物体识别模型能否处理真实世界中的遮挡仍属未知。另一个问题是，为使这些模型对恒定掩膜遮挡具有鲁棒性而做的努力，对于真实世界遮挡是否有效。我们在极端遮挡下的物体识别这一挑战性任务中测试了人类与上述计算模型，其中目标物体被真实背景中无关的真实物体严重遮挡。我们的结果表明，人类视觉对极端遮挡非常鲁棒，而即便经过处理恒定掩膜遮挡的改进，CNNs 仍不鲁棒。这意味着处理恒定掩膜遮挡的能力并不蕴含对真实世界遮挡的鲁棒性。作为对比，我们提出了另一种以组合方式利用物体部件/子部件来建立遮挡鲁棒性的计算模型。该模型在我们的任务上显著优于基于 CNN 的模型，且错误模式与人类相似。这些发现表明，在极端遮挡下测试能更好地揭示视觉识别的鲁棒性，并且组合原理可促进此类鲁棒性。
引用
@article{arxiv.1905.04598,
title = {Robustness of Object Recognition under Extreme Occlusion in Humans and Computational Models},
author = {Hongru Zhu and Peng Tang and Jeongho Park and Soojin Park and Alan Yuille},
journal= {arXiv preprint arXiv:1905.04598},
year = {2019}
}
备注
To be presented at the 41st Annual Meeting of the Cognitive Science Society