摘要
最近，Barbu 等人提出了一项名为 ObjectNet 的数据集，该数据集包含日常生活场景中的物体。他们发现，当前最先进的物体识别模型在该数据集上表现出显著的性能下降。鉴于其研究结果对深度模型泛化能力的重要意义，我们重新审视了他们的发现。我们指出其研究中存在一个关键问题：即在包含多个物体的复杂场景中直接应用物体识别模型，而非仅在孤立物体的场景中进行测试。通过使用我们的代码进行重新评估，我们发现仅通过将模型应用于孤立物体，即可获得约 20% 至 30% 的性能提升。与原始 ObjectNet 论文中报告的结果相比，我们观察到其中约 10% 至 15% 的性能损失可通过这一调整恢复，且无需在测试阶段引入任何数据增强手段。尽管如此，根据 Barbu 等人的结论，我们同样认为深度模型在该数据集上仍面临严重挑战。因此，我们认为 ObjectNet 依然是检验模型在训练数据集之外泛化能力的具有挑战性的基准数据集。