تقييم متانة الكشف عن الأشياء: القيادة الذاتية عندما يأتي الشتاء

القدرة على اكتشاف الأشياء بغض النظر عن تشوهات الصور أو ظروف الطقس تعتبر حاسمة لتطبيقات التعلم العميق في العالم الحقيقي مثل القيادة الذاتية. نقدم هنا معيارًا سهل الاستخدام لتقييم أداء نماذج اكتشاف الأشياء عندما تنخفض جودة الصورة. تحتوي المجموعات الثلاثة الناتجة من البيانات المرجعية، والتي تُعرف باسم Pascal-C وCoco-C وCityscapes-C، على مجموعة متنوعة كبيرة من تشوهات الصور. نوضح أن مجموعة من النماذج القياسية لاكتشاف الأشياء تعاني من خسارة أداء شديدة على الصور المشوهة (تراجعت إلى 30-60٪ من الأداء الأصلي). ومع ذلك، فإن حيلة بسيطة في زيادة البيانات---تزيين صور التدريب---تؤدي إلى زيادة كبيرة في المتانة عبر أنواع التشوه، شدته والبيانات المرجعية. نتوقع أن يساعد معيارنا الشامل في تتبع التقدم المستقبلي نحو بناء نماذج متينة لاكتشاف الأشياء. المعيار والكود والبيانات متاحة للجمهور بشكل مجاني.请注意，我已经尽量保持了翻译的准确性、流畅性和正式性，并且忠于原文。如果有任何特定术语需要进一步确认，请告知我。