ImageNet-D详解：严格评估神经网络的鲁棒性

文章预览

点击下方 卡片 ，关注“ 小白玩转Python ”公众号 神经网络在零样本图像分类中取得了惊人的成就，但它们真的能“看”得有多好呢？现有的用于评估这些模型鲁棒性的数据集仅限于网络上的图像或通过耗时且资源密集的手动收集创建的图像。这使得系统评估这些模型在面对未见数据和真实世界条件（包括背景、纹理和材质的变化）时的泛化能力变得困难。一个可行的解决方案是在合成生成的图像上评估模型，例如ImageNet-C、ImageNet-9或Stylized-ImageNet。然而，这些数据集依赖于特定的合成损坏、背景和纹理；此外，它们的变化有限，缺乏真实的图像质量。 ImageNet-D与其他合成图像数据集的对比示例 这些模型变得如此强大，以至于在这些合成图像数据集中实现了极高的准确性，这也带来了额外的挑战。 ImageNet-D 是一个通过扩散模型生成的新基准，解决了 ………………………………