我们提出了一种方法，用空间变化的失真合成现有数据集，实验证明这种失真效果会降低最先进的分割模型的性能。预训练和扩展模型容量证明是缓解性能降低的有效策略，而仅在失真图像上进行微调只能带来边缘性能改进。

May, 2024

该论文探讨了农业航空图像的语义分割问题，提出了基于数据增强和采样方法的解决方案，实验证明该方法能够提高现有方法的性能。

Apr, 2022

本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

Oct, 2018

通过结合生成模型和分割模型，我们提出了一种新的方法来改善语义分割技术的鲁棒性，通过生成逼真且可靠的扰动图片来训练可靠的分割模型，从而显著提升语义分割技术在面对真实世界的扰动、分布偏移和样本变化时的鲁棒性，对于安全关键应用具有重要价值并适用于计算资源有限的推理场景。

Aug, 2023

准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术，可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程，评估全景分割模型在 AAD 中的鲁棒性，并将其与传统图像质量进行相关联。

Feb, 2024

本研究调查了数据增广对城市街景图像数据集中用于实施自动驾驶感知的实时可行驶区域分割模型的性能和鲁棒性的影响。结果表明，采用数据增广可以在不增加模型复杂性或推断时间的情况下显着提高现有技术的性能和鲁棒性。

Aug, 2022

通过引入基于 OSA-DAS 的深度特征增强子空间的遮挡敏感性分析，针对计算机视觉领域，本研究提出了一种新型的基于扰动的可解释性方法，以更准确地解释模型预测结果，通过对 DNN 的输出向量构建低维子空间，利用不同图像增强和遮挡的影响来实现，经广泛测试后，在 ImageNet-1k 数据集上，我们的方法在解释人工智能领域中表现出色，超越了常用的解释器。

Nov, 2023

本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

Aug, 2019

本文介绍了一种结合随机平滑和扩散模型的方法，用于认证图像分割预测结果，实现更高的鲁棒性。实验结果表明，该方法平均提高了 21 个百分点的准确度

Jun, 2023

这篇论文介绍了一种将自动图像增强选择（RandAugment）与搜索优化策略（基于树的 Parzen 估计器）相结合的方法，用于确定图像增强数量和相关增强参数的最佳值，从而提高分割性能。在乳腺癌组织切片中经过实证验证后，我们的结果表明，这种方法使得分割模型对组织切片变异更具弹性，同时保持高水平的分割性能，并在与以往研究相比较时显示出改善的肿瘤类别分割。

Nov, 2023