Related work

Improving corruption robustness

1. 去除腐蝕：（1）提出一種基於DNN，恢復雨霧圖片質量的方法。（2）預處理中去除雨。但這種方法都是針對某種腐蝕。
2. 數據增強：把腐蝕數據加入訓練。（1）blurred images上分類器表現脆弱，通過在blurred images上fine-tune提高對它的魯棒性。（2）在一種腐蝕上fine-tune，並不能提高另一種腐蝕上的效果。（3）在stylized version of the ImageNet datasets上訓練。

Evaluating robustness to enviromental changes in autonomous driving

1. 建模天氣情況
2. 收集不同天氣情況下，真實或人造數據集
3. 提出一種衡量目標檢測在adverse weather conditions下退化的方法，在Virtual KITTI dataset。
4. 研究目標檢測模型對雨天圖像的脆弱性，識別模型失效的corner cases，在訓練集中加入人工雨天圖像。
5. 建模photo-realistic snow和fog，去增強real and virtual video streams。

 

Methods

在PASCAL-C、COCO-C和Cityscapes-C上對15種包含5中嚴重程度的corruptions進行測試。15種corruptions分爲noise、blur、digital和weather四類。本文只測試了模型在clean和corrupted data上的效果。

 

衡量標準：

 

結果

 combined data效果最好。

本文進一步在BDD100k，一個weather conditions下的駕駛場景數據集測試。具體來說，使用clear data訓練，在rainy和snowy data上測試，其他如foggy、partly cloudy、overcast和undefined被丟棄。並且建立了725張的測試集，這個數字是由最少測試集的圖片數量決定（這裏是rainy）。

 

​​ 作者認爲，在synthetic和natural corruptions上的測試結果有一定的關聯。並且combined data上訓練的Faster RCNN結果最好。

 

BDD100k

參考：http://www.noobyard.com/article/p-vuykeiwj-tg.html