基于仿真的测试验证：利用标签到图像合成绕过域偏移
计算机视觉与模式识别
2021-06-11 v1 机器学习
摘要
许多机器学习应用可受益于仿真数据以实现系统性验证——尤其在真实数据难以获取或标注时。然而，由于仿真相对于真实数据易受域偏移影响，验证所得结果的可迁移性至关重要。我们提出了一种由生成式标签到图像合成模型与不同可迁移性度量组成的新型框架，以考察在何种程度上可将语义分割模型在合成数据上的测试结果迁移至等效真实数据。经轻微修改，我们的方法可扩展至例如通用多类分类任务。基于可迁移性分析，我们的方法还可通过引入受控仿真实现广泛测试。我们在驾驶场景的语义分割任务上实证验证了该方法。可迁移性通过 IoU 的相关性分析和一个习得判别器进行测试。尽管后者能区分真实与合成测试，但在前者中我们观察到汽车和行人的相关性均意外地强达 0.7。
引用
@article{arxiv.2106.05549,
title = {Validation of Simulation-Based Testing: Bypassing Domain Shift with Label-to-Image Synthesis},
author = {Julia Rosenzweig and Eduardo Brito and Hans-Ulrich Kobialka and Maram Akila and Nico M. Schmidt and Peter Schlicht and Jan David Schneider and Fabian Hüger and Matthias Rottmann and Sebastian Houben and Tim Wirtz},
journal= {arXiv preprint arXiv:2106.05549},
year = {2021}
}
备注
The first two authors contributed equally. Accepted at the 4th Workshop on "Ensuring and Validating Safety for Automated Vehicles" (WS13), IV2021. Under IEEE Copyright