物体検出の堅牢性をベンチマーク：冬が到来する自動運転におけるロバストネスの評価

画像の歪みや天候条件に関わらず物体を検出する能力は、自動運転などの実世界での深層学習の応用にとって重要です。本稿では、画像品質が低下した場合に物体検出モデルがどのように機能するかを評価するための使いやすいベンチマークを提供します。生成された3つのベンチマークデータセット、Pascal-C、Coco-C、Cityscapes-Cには、多種多様な画像の劣化が含まれています。我々は、標準的な物体検出モデルが劣化した画像に対して著しい性能低下（元の性能の30～60％まで）を示すことを示しています。しかし、訓練画像をスタイリゼーションするという単純なデータ拡張トリックにより、劣化の種類、深刻度、データセットに関わらず堅牢性が大幅に向上することを確認しました。我々はこの包括的なベンチマークが将来の堅牢な物体検出モデル構築への進歩を追跡するために活用されることを見込んでいます。ベンチマーク、コード、データは公開されています。