t-RAIN：在天气混叠标签偏移攻击下的鲁棒泛化
计算机视觉与模式识别
2023-05-16 v1 人工智能
摘要
在经典监督学习设定中，分类器在标签分布均衡的假设下拟合，并在相同设定上取得卓越结果。然而在真实世界中，这些假设常常被打破，进而对模型性能产生不利影响。在偏斜目标分布中识别不佳的学习器更具挑战性。因此，在这些“标签偏移”设定下实现模型鲁棒性是自主感知中的一项重要任务。本文中，我们分析了标签偏移对自动驾驶车辆多天气分类任务的影响。我们将此信息作为先验，以更好地评估恶劣天气下的行人检测。我们将分类性能建模为在 4 种标签偏移场景下的鲁棒性指标，并研究了多类模型的行为。我们提出 t-RAIN，一种利用大规模生成模型进行合成数据增强的相似性映射技术，并在 DAWN 数据集上评估其性能。该映射在无偏移、雾、雪、尘偏移下分别将模型测试准确率提升 2.1、4.4、1.9、2.7%。我们展示了在真实与合成天气域上最先进的行人检测结果，最佳表现分别为 82.69 AP（雪）与 62.31 AP（雾）。
引用
@article{arxiv.2305.08302,
title = {t-RAIN: Robust generalization under weather-aliasing label shift attacks},
author = {Aboli Marathe and Sanjana Prabhu},
journal= {arXiv preprint arXiv:2305.08302},
year = {2023}
}
备注
Accepted at Affective Behavior Analysis in-the-wild (ABAW) at CVPR 2023