RobustNet : Amélioration de la généralisation de domaine dans la segmentation de scènes urbaines par blanchiment sélectif d'instances

Améliorer la capacité de généralisation des réseaux neuronaux profonds à des domaines inconnus est essentiel pour les applications critiques en termes de sécurité dans le monde réel, telles que la conduite autonome. Pour résoudre ce problème, cet article propose une nouvelle perte de blanchiment sélectif par instance afin d'augmenter la robustesse des réseaux de segmentation face à des domaines inconnus. Notre approche dissocie le style spécifique au domaine et le contenu invariant par rapport au domaine encodés dans les statistiques d'ordre supérieur (c'est-à-dire, la covariance des caractéristiques) des représentations de caractéristiques et supprime sélectivement uniquement les informations de style responsables du décalage de domaine. Comme le montre la Fig. 1, notre méthode fournit des prédictions raisonnables pour (a) les conditions d'éclairage faible, (b) les conditions pluvieuses, et (c) les structures inconnues. Ces types d'images ne sont pas inclus dans l'ensemble de données d'entraînement, où la performance de la ligne de base subit une baisse significative, contrairement à notre méthode. Simple mais efficace, notre approche améliore la robustesse de divers réseaux de base sans coût computationnel supplémentaire. Nous menons des expériences approfondies en segmentation de scènes urbaines et démontrons la supériorité de notre approche par rapport aux travaux existants. Notre code est disponible sur https://github.com/shachoi/RobustNet.