摘要

提高深度神经网络在未见过领域的泛化能力对于现实世界中的安全关键应用（如自动驾驶）至关重要。为了解决这一问题，本文提出了一种新颖的实例选择性白化损失，以增强分割网络在未见过领域的鲁棒性。我们的方法将特征表示中编码的领域特定风格和领域不变内容从高阶统计量（即特征协方差）中解耦，并有选择地仅去除导致领域偏移的风格信息。如图1所示，我们的方法对（a）低光照、（b）雨天以及（c）未见过的结构提供了合理的预测结果。这些类型的图像并未包含在训练数据集中，而基线模型在这种情况下表现出显著的性能下降，相比之下，我们的方法则表现优异。该方法简单有效，能够在不增加额外计算成本的情况下提升多种骨干网络的鲁棒性。我们在城市场景分割任务中进行了广泛的实验，并展示了我们方法相对于现有工作的优越性。我们的代码已开源，可在以下地址获取：https://github.com/shachoi/RobustNet。