Benchmarking der Robustheit in der Objekterkennung: Autonome Fahrzeuge im Winter

Die Fähigkeit, Objekte unabhängig von Bildverzerrungen oder Wetterbedingungen zu erkennen, ist für realweltliche Anwendungen des Deep Learnings wie autonomes Fahren entscheidend. Wir stellen hier ein benutzerfreundliches Benchmark-Set zur Verfügung, um die Leistungsfähigkeit von Objekterkennungsmodellen bei abnehmender Bildqualität zu bewerten. Die drei daraus resultierenden Benchmark-Datensätze, als Pascal-C, Coco-C und Cityscapes-C bezeichnet, enthalten eine große Vielfalt an Bildverzerrungen. Wir zeigen, dass eine Reihe von standardisierten Objekterkennungsmodellen bei verfälschten Bildern einen erheblichen Leistungsverlust erleiden (bis hinunter auf 30--60\% der ursprünglichen Leistung). Allerdings führt ein einfacher Trick der Datenverstärkung – das Stylisieren der Trainingsbilder – zu einer erheblichen Steigerung der Robustheit über alle Verzerrungsarten, -schweregrade und -datensätze hinweg. Wir sehen uns vor, unser umfassendes Benchmark-Set zur Nachverfolgung zukünftiger Fortschritte bei der Entwicklung robuster Objekterkennungsmodelle einzusetzen. Das Benchmark-Set, der Code und die Daten sind öffentlich zugänglich.