t-RAIN: 天气模糊标签转移攻击下的稳健泛化

CVPRMay, 2023

t-RAIN: 天气模糊标签转移攻击下的稳健泛化

t-RAIN: Robust generalization under weather-aliasing label shift attacks

Aboli Marathe, Sanjana Prabhu

TL;DR通过分析标签偏移对自动驾驶中的多气候分类任务及行人检测任务的影响，并提出使用 t-RAIN 进行数据增广的方法，使得在无偏移、雾、雪和尘埃偏移情形下行人检测的性能提高 2.1％-4.4％，在真实和合成气象领域中分别获得最优的 82.69 AP（雪）和 62.31 AP（雾）的性能。

Abstract

In the classical supervised learning settings, classifiers are fit with the assumption of balanced label distributions and produce remarkable results on the same. In the real world, however, these assumptions often bend and in turn adversely impact model performance. Identifying bad learners in skewed target distributions is even more challenging. Thus achie

label shift multi-weather classification pedestrian detection t-rain synthetic data augmentation

发现论文，激发创造

针对分布偏移的天气预报改进的稳健校准

通过使用专家混合技术和计算机视觉领域的先进数据增强技术，结合对预测不确定性的稳健后期校准，我们可以在表格数据的深度神经网络中实现比提升树模型更准确和更好校准的结果，从而改进领域外天气预测和不确定性估计。

Jan, 2024

图像分类模型自然分布偏移鲁棒性测量

本研究评估了 204 个 ImageNet 模型在 213 个不同的测试条件下的表现，发现大多数当前技术无法提供对真实数据中分布变化的健壮性，唯一例外的是在较大且更多样化的数据集上进行训练可以在多种情况下提高健壮性，并且我们的研究表明当前真实数据中的分布变化是一个开放的问题。

Jul, 2020

通过分布式鲁棒性优化应对标签漂移

本论文提出了一种基于分布鲁棒优化的模型，通过设计并分析梯度下降 - 近端镜像上升算法，用一次训练获得一个对多种标签偏移都具有稳健性的单一分类器，并在 CIFAR-100 和 ImageNet 上的实验中展示出其显著的性能提高。

Oct, 2020

通过权重集成、多样性加权和先验校正实现通用的测试时适应

本文提出了一种名为 ROID 的方法，该方法通过使用确定性和多样性加权、源模型和自适应模型的加权平均以及自适应添加先验校正方案等多项技术手段，解决了在线测试时自适应的问题，以及由于多种因素引起的模型性能下降问题。该方法在多种数据集、模型和场景下进行了评估，并在普遍 TTA 领域取得了新的标准。

Jun, 2023

机器学习模型在实际中的稳健性、评估与适应性

通过培训算法来提高对于机器学习领域的可靠性，从而应对领域的变化，提高算法的性能，预测其表现并轻量级适应应用领域。

Mar, 2023

分布偏移的细粒度分析

本研究提出了一种框架来分析各种分布转移，并通过评估 19 个不同类别的方法，提供了当前最先进方法的整体分析。结果显示，与标准 ERM 基线相比，预训练和数据扩充（学习或启发式）在许多情况下都具有很大的优势，但不能很好地适应不同的数据集和转移。

Oct, 2021

基于类别相关领域漂移的鲁棒分类

这篇论文探讨了一种特殊的数据集漂移，称为类依赖性领域漂移，提出了使用神经网络解决有信息论约束的优化问题的方法，并在玩具数据集上进行实验，证明了该方法能够学习到健壮分类器并能够推广到未知领域。

Jul, 2020

SHIFT: 连续多任务域适应的合成驾驶数据集

本文介绍了用于自主驾驶的最大多任务合成数据集 SHIFT，其中包含多种可变特征，包括云量、雨和雾的密度、时间和车辆和行人密度，旨在促进开发连续适应策略以缓解这个问题并评估模型的鲁棒性和通用性。

Jun, 2022

通过选择性增强提高对抗样本的鲁棒性

探讨了在实际应用中常见的基于配分转移的问题，提出了一种选择性增广的简单混合技术 LISA，通过学习不受限制的内部表示或预测器来学习不变的预测器，并在包括亚种人群转移和领域转移的九个基准测试中验证了 LISA 的有效性。

Jan, 2022

借助语言引导的恶劣天气语义分割

我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

Mar, 2024