标杆鲁棒性物体探测：冬季来临时的自动驾驶

原文题目：Benchmarking Robustness in Object Detection: Autonomous Driving when Winter is Coming

摘要：无论图像失真或天气状况如何，探测物体的能力对于像自动驾驶这样的深入学习的实际应用是至关重要的。我们在这里提供了一个易于使用的基准来评估目标检测模型在图像质量下降时的表现。由此产生的三个基准数据集，称为Pascal-C、Coo-C和Cityscape-C，包含了大量的图像腐蚀。我们表明，一系列标准的目标检测模型在损坏的图像上会遭受严重的性能损失(下降到原始性能的30-60%)。然而，一个简单的数据增强技巧-对培训图像进行样式化-会导致跨腐败类型、严重程度和数据集的健壮性显著提高。我们设想我们的综合基准来跟踪未来在构建健壮的对象检测模型方面的进展。

原文地址：https://arxiv.org/abs/1907.07484

作者：Claudio Michaelis, Benjamin Mitzkus, Robert Geirhos, Evgenia Rusak, Oliver Bringmann, Alexander S. Ecker, Matthias Bethge, Wieland Brendel