RobustNet：通过实例选择性白化提升城市场景分割中的域泛化能力
计算机视觉与模式识别
2021-04-01 v2
摘要
增强深度神经网络对未知域的泛化能力对于自动驾驶等现实世界中安全关键的应用至关重要。为解决此问题，本文提出一种新颖的实例选择性白化损失，以提升分割网络对未知域的鲁棒性。我们的方法解耦了特征表示的高阶统计（即特征协方差）中编码的域特定风格与域不变内容，并有选择地仅移除导致域偏移的风格信息。如图 1 所示，我们的方法对 (a) 低照度、(b) 雨天和 (c) 未见结构给出了合理预测。这些图像类型未包含在训练数据集中，基线方法性能显著下降，而我们的方法则不然。我们的方法简单而有效，在不增加额外计算成本的情况下提升了多种骨干网络的鲁棒性。我们在城市场景分割中进行了大量实验，并展示了我们的方法相对于现有工作的优越性。我们的代码可在 https://github.com/shachoi/RobustNet 获取。
引用
@article{arxiv.2103.15597,
title = {RobustNet: Improving Domain Generalization in Urban-Scene Segmentation via Instance Selective Whitening},
author = {Sungha Choi and Sanghun Jung and Huiwon Yun and Joanne Kim and Seungryong Kim and Jaegul Choo},
journal= {arXiv preprint arXiv:2103.15597},
year = {2021}
}
备注
Accepted to CVPR 2021 (Oral)