论文解读：Benchmarking Robustness in

1.论文目的
讨论现有目标检测算法应用于自动驾驶任务中，在实际场景中会因为雨雪雾等特殊天气造成的图像退化，影响目标检测算法性能。
2.论文介绍
CNN的泛化能力为其一大问题。一系列研究发现，CNN无法泛化到不常见姿势的目标；最出名的例子为对抗学习的例子，对图像做细微的人无法察觉的变化便足以欺骗CNN。
自动驾驶目前尚未变得主流的一大原因为其识别模型在多变的天气环境中能力欠佳。而在训练阶段不可能遇见所有可能出现的环境。
3.相关工作
应对图像corruption鲁棒性的benchmark：相关研究证明，DNN对于blur及高斯噪声极为脆弱；面对corruption图像的目标检测任务，DNN性能下降严重。
提升应对corruption鲁棒性的方法：1）对污损图像进行修复，如去雾、去雨等算法，但问题是某种去除噪声的算法只适用其具体任务，不能泛化到其他任务中。2）通过数据增强方法提升模型泛化性能。例如直接将污损图片添加到数据集进行训练；将训练好的模型在污损图像上进行fine-tuning。但后续研究也证明在某种污损类型图像进行fine-tuning后的模型应对其他种类的污损图像依旧没有性能提升。
4.本文方法
1）提出四种类别（噪声，blur,digital,天气）共15种污损图像生成模式。

image.png

需要注意的是本文生成的污损图像用于测试目标检测模型性化退化而非用于数据增强。
2）数据集
利用上部分方法生成对应数据集
Pascal-C, Coco-C and Cityscapes-C.
3）模型
比较目标检测领域五种sota方法
Faster R-CNN [Ren et al., 2015], Mask R-CNN [He et al.,
2017], Cascade R-CNN [Cai and Vasconcelos, 2018], Cascade Mask R-CNN [Chen
et al., 2019a], RetinaNet [Lin et al., 2017a] and Hybrid Task Cascade [Chen et al.,
2019a].
4）通过风格迁移提升目标检测泛化能力
1.直接用风格迁移后的图片替换原图进行训练
2.在现有数据集中添加风格迁移后的图片

5。实验结果
各sota方法在应用于污损图像时都有大幅度的性能退化。而基于风格迁移的数据增强便可提升一定的性能。

image.png
image.png