공통적인 손상에 대한 강건성 향상을 위한 공변량 이동 적응

오늘날의 최첨단 머신 비전 모델은 흐림이나 압축 아티팩트와 같은 이미지 손상에 취약하여, 많은 실세계 응용 분야에서 성능이 제한된다. 본 연구에서는 기존의 일반적인 손상에 대한 모델 강건성(robustness)을 평가하기 위해 널리 사용되는 벤치마크(예: ImageNet-C)가 많은(그러나 모든 것은 아님) 응용 시나리오에서 모델의 강건성을 과소평가하고 있다고 주장한다. 핵심 통찰은 많은 시나리오에서 손상된 이미지의 레이블이 없는 여러 예시를 사전에 확보할 수 있으며, 이를 통해 비지도(unsupervised) 온라인 적응(online adaptation)을 수행할 수 있다는 점이다. 학습 데이터에서 배치 정규화(batch normalization)가 추정하는 활성화 통계를 손상된 이미지의 통계로 대체하면, 25개의 다양한 대표적인 컴퓨터 비전 모델에서 일관되게 강건성이 향상된다. 보정된 통계를 활용할 경우, ResNet-50은 ImageNet-C에서 적응 없이 76.7%의 mCE(misclassification error)를 기록한 반면, 적응 후에는 62.2%로 개선된다. 더 강건한 DeepAugment+AugMix 모델을 사용하면, 기존 ResNet-50 모델이 달성한 최고 성능인 53.6% mCE를 45.4% mCE로 개선할 수 있다. 단일 샘플에 대한 적응만으로도 ResNet-50 및 AugMix 모델의 강건성이 향상되며, 32개의 샘플만으로도 ResNet-50 아키텍처의 현재 최고 성능을 초과하는 결과를 얻을 수 있다. 본 연구는 손상 벤치마크 및 기타 분포 외 일반화(out-of-distribution generalization) 설정에서 성능 점수를 보고할 경우, 적응된 통계를 기반으로 한 결과를 포함해야 한다고 주장한다.