Common Corruptions for Enhancing and Evaluating Robustness in Air-to-Air Visual Object Detection

实现完全自主飞行的主要障碍在于自主飞行器导航。处理非合作交通是解决这个问题中最重要的挑战。处理非合作交通最有效的策略是基于通过深度学习模型进行单目视频处理。本研究通过调查来自环境和硬件条件的数据损坏对这些方法有效性的影响，为基于视觉的深度学习飞行器检测和跟踪文献做出了贡献。具体而言，我们设计了7种常见的损坏类型，考虑到真实世界的飞行条件，对摄像机输入进行了损坏。通过将这些损坏应用于我们构建的空中物体跟踪（AOT）数据集，我们构建了第一个名为AOT-C的鲁棒性基准数据集，用于空对空空中物体检测。这个数据集中包含的损坏涵盖了广泛的具有挑战性的条件，如恶劣天气和传感器噪声。本文的第二个主要贡献是介绍了一个广泛的实验评估，涉及8种不同的物体检测器，探索了在不断升级的损坏（域漂移）水平下性能的退化。基于评估结果，得出以下关键观察结果：1）YOLO系列的单阶段检测器表现出更好的鲁棒性，2）基于Transformer和多阶段的检测器，如Faster R-CNN，在面对损坏时极其脆弱，3）对抗损坏的鲁棒性与模型的泛化能力有关。第三个主要贡献是表明，在我们的增强合成数据上微调可以提高物体检测器在实际飞行实验中的泛化能力。

论文旨在解决自主飞行中的非合作交通管理问题，通过基于深度学习模型的单目视频处理，探究数据损坏对飞行物体检测和跟踪的影响。

通过设计七种常见的数据损坏方式，构建了第一个针对空中物体检测的鲁棒性基准测试数据集AOT-C，并使用八种不同的物体检测器进行了实验评估，发现一阶段检测器具有更好的鲁棒性，而基于Transformer和多阶段的检测器则极易受到数据损坏的影响。

论文的亮点包括构建了一个新的鲁棒性基准测试数据集AOT-C，实验评估了多种物体检测器的鲁棒性，发现数据损坏会影响模型的泛化能力，并且在合成数据上微调可以提高物体检测器在实际飞行中的泛化能力。

近期的相关研究包括基于深度学习的物体检测和跟踪，以及针对数据损坏的鲁棒性研究。相关论文包括：'A Simple Baseline for Multi-Object Tracking'，'Robustness of Deep Learning-based Object Detectors Against Adversarial Attacks'等。