Enhancing object detection robustness: A synthetic and natural perturbation approach

要約

タイトル：物体検出の堅牢性を高める方法：合成と自然の摂動手法

要約：

– 実際の世界の分布変化に対する堅牢性は、物体検出モデルを実際のアプリケーションに展開するために重要である。
– 本研究では、異なる照明条件、ぼやけ、輝度などの自然摂動に対する物体検出モデルの堅牢性を評価し、向上させる問題に取り組んでいる。
– COCO2017データセットとExDarkデータセットを使用して、Detr-ResNet-101、Detr-ResNet-50、YOLOv4、およびYOLOv4-tinyの4つの最新の深層ニューラルネットワークモデルを分析する。
– AugLyパッケージを使用して合成摂動をシミュレーションし、データ拡張技術を介してモデルの堅牢性を向上させるために必要な最適な合成摂動レベルを系統的に探索する。
– 綿密な異常検討により、合成摂動が実際の世界の分布変化に対する物体検出モデルの性能に及ぼす影響を慎重に評価して、合成拡張と実際の堅牢さの明確な関係を確立する。
– 結果として、合成摂動がモデルの堅牢性を向上させることができ、さらに現実世界のアプリケーションに適したより堅牢で信頼性の高い物体検出モデルを開発するための貴重な洞察を提供していることが明らかになった。

要約(オリジナル)

Robustness against real-world distribution shifts is crucial for the successful deployment of object detection models in practical applications. In this paper, we address the problem of assessing and enhancing the robustness of object detection models against natural perturbations, such as varying lighting conditions, blur, and brightness. We analyze four state-of-the-art deep neural network models, Detr-ResNet-101, Detr-ResNet-50, YOLOv4, and YOLOv4-tiny, using the COCO 2017 dataset and ExDark dataset. By simulating synthetic perturbations with the AugLy package, we systematically explore the optimal level of synthetic perturbation required to improve the models robustness through data augmentation techniques. Our comprehensive ablation study meticulously evaluates the impact of synthetic perturbations on object detection models performance against real-world distribution shifts, establishing a tangible connection between synthetic augmentation and real-world robustness. Our findings not only substantiate the effectiveness of synthetic perturbations in improving model robustness, but also provide valuable insights for researchers and practitioners in developing more robust and reliable object detection models tailored for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI