Related work

Improving corruption robustness

1. 去除腐蚀：（1）提出一种基于DNN，恢复雨雾图片质量的方法。（2）预处理中去除雨。但这种方法都是针对某种腐蚀。
2. 数据增强：把腐蚀数据加入训练。（1）blurred images上分类器表现脆弱，通过在blurred images上fine-tune提高对它的鲁棒性。（2）在一种腐蚀上fine-tune，并不能提高另一种腐蚀上的效果。（3）在stylized version of the ImageNet datasets上训练。

Evaluating robustness to enviromental changes in autonomous driving

1. 建模天气情况
2. 收集不同天气情况下，真实或人造数据集
3. 提出一种衡量目标检测在adverse weather conditions下退化的方法，在Virtual KITTI dataset。
4. 研究目标检测模型对雨天图像的脆弱性，识别模型失效的corner cases，在训练集中加入人工雨天图像。
5. 建模photo-realistic snow和fog，去增强real and virtual video streams。

 

Methods

在PASCAL-C、COCO-C和Cityscapes-C上对15种包含5中严重程度的corruptions进行测试。15种corruptions分为noise、blur、digital和weather四类。本文只测试了模型在clean和corrupted data上的效果。

 

衡量标准：

 

结果

 combined data效果最好。

本文进一步在BDD100k，一个weather conditions下的驾驶场景数据集测试。具体来说，使用clear data训练，在rainy和snowy data上测试，其他如foggy、partly cloudy、overcast和undefined被丢弃。并且建立了725张的测试集，这个数字是由最少测试集的图片数量决定（这里是rainy）。

 

​​ 作者认为，在synthetic和natural corruptions上的测试结果有一定的关联。并且combined data上训练的Faster RCNN结果最好。

 

BDD100k

参考：https://blog.****.net/jocelyn870/article/details/81207448