Vision robuste : état de l'art

Cette séance de cours porte sur l'importance d'une vision robuste dans le contexte de l'intelligence visuelle, en mettant l'accent sur les défis posés par les changements de distribution, à la fois accusatoires et non accusatoires. Elle s'oriente vers l'analyse comparative de la robustesse, l'amélioration des modèles grâce à des mécanismes de temps de formation tels que l'augmentation des données et les changements architecturaux, et des mécanismes de temps d'essai tels que les signaux d'adaptation. L'instructeur discute d'exemples d'échecs, de l'importance des statistiques robustes et de l'impact des caractéristiques non-robustes. La séance de cours explore également les raisons de l'échec, y compris les biais de texture et de forme, les corrélations fallacieuses et les distributions de données biaisées. Différents types de déplacements de distribution, de déplacements contradictoires imperceptibles et perceptibles et de points de repère actifs sont expliqués, ainsi que des stratégies visant à améliorer la robustesse grâce à divers ensembles de données de préformation et de mélange.