Adaptive Sensitivity Analysis for Robust Augmentation against Natural Corruptions in Image Segmentation

要約

画像セグメンテーションモデルで堅牢性を達成することは、ピクセルレベルの分類の微細な性質のために困難です。
これらのモデルは、多くのリアルタイム認識アプリケーションにとって重要であり、特に自律システムの野生の自然な腐敗に直面した場合に闘争します。
感度分析は、入力変数がモデルの出力にどのように影響するかを理解するのに役立ちますが、トレーニングデータにおける自然および制御不能な腐敗へのアプリケーションは計算的に高価です。
この作業では、自然の腐敗に対する堅牢性を高めるために、適応的で感度誘導された増強法を提示します。
当社の感度分析は平均して10倍速く実行され、以前の感度分析よりも約200倍のストレージが必要であり、モデルのない増強ポリシーのトレーニング中に実用的で飛行中の推定を可能にします。
最小限の微調整により、当社の感度誘導拡張法により、画像セグメンテーションにおける最先端のデータ増強技術と比較して、現実世界と合成データセットの両方で堅牢性が向上します。
この作業のコード実装は、https：//github.com/laurayuzheng/sensaugにあります。

要約(オリジナル)

Achieving robustness in image segmentation models is challenging due to the fine-grained nature of pixel-level classification. These models, which are crucial for many real-time perception applications, particularly struggle when faced with natural corruptions in the wild for autonomous systems. While sensitivity analysis can help us understand how input variables influence model outputs, its application to natural and uncontrollable corruptions in training data is computationally expensive. In this work, we present an adaptive, sensitivity-guided augmentation method to enhance robustness against natural corruptions. Our sensitivity analysis on average runs 10x faster and requires about 200x less storage than previous sensitivity analysis, enabling practical, on-the-fly estimation during training for a model-free augmentation policy. With minimal fine-tuning, our sensitivity-guided augmentation method achieves improved robustness on both real-world and synthetic datasets compared to state-of-the-art data augmentation techniques in image segmentation. Code implementation for this work can be found at: https://github.com/laurayuzheng/SensAug.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google