StyleLess 层：提升真实世界驾驶的鲁棒性
计算机视觉与模式识别
2021-03-26 v1
摘要
深度神经网络（DNNs）是自动驾驶车辆的关键组件。它们通过从高量标注数据中获取信息而取得令人印象深刻的性能。然而，无论数据集多大，真实世界的全部复杂性无法被封装于训练数据中，DNNs 难以泛化至未见条件。当此类车辆部署于真实世界时，对由天气变化或传感器退化与老化引起的各种图像损坏的鲁棒性对安全至关重要。我们通过一种新型层（称为 StyleLess）解决此问题，其使 DNNs 能学习可应对变化外部条件的鲁棒且具信息量的特征。我们提出该层的多种变体，可集成于大多数架构中并与主任务联合训练。我们在典型自动驾驶任务（检测、语义分割）上验证我们的贡献，表明在大多数情况下，该方法在未见条件（雾、雨）上提升预测性能，同时在已见条件与物体上保持性能。
引用
@article{arxiv.2103.13905,
title = {StyleLess layer: Improving robustness for real-world driving},
author = {Julien Rebut and Andrei Bursuc and Patrick Pérez},
journal= {arXiv preprint arXiv:2103.13905},
year = {2021}
}
备注
6 pages, 6 figures, 2 tables