Enhancing shape bias for object detection

Jiwen Tang

doi:10.1016/j.neucom.2026.132931

2026-02-06

PRE

DOI：10.1016/j.neucom.2026.132931

原文链接

原文求助

摘要

En 中文

卷积神经网络 (cnn) 被广泛用于对象检测任务，而最近的研究表明，它们更多地依赖纹理而不是形状来进行对象识别，这种现象被称为纹理偏差。这种偏见使它们容易受到图像损坏，领域转移和对抗性扰动的影响，对现实世界的部署构成重大挑战，特别是在安全关键和工业应用中。尽管具有重要意义，但对象检测中的纹理偏差在很大程度上仍未得到充分探索。为了解决这个差距，我们首先对多个广泛使用的基于CNN的检测架构的纹理偏差进行全面分析，证明这个问题的广泛存在和有害影响。受这些发现的启发，我们提出了一种简单而有效的方法TexDrop，以增加cnn中的形状偏差，从而提高其准确性和鲁棒性。具体来说，TexDrop通过直接的边缘检测随机丢弃训练图像的纹理和颜色，迫使模型学习基于其形状来检测对象，从而增加形状偏差。与需要架构修改，大量额外的训练数据或复杂的正则化方案的现有方法不同，TexDrop是模型不可知的，易于集成到现有的训练管道中，并且产生的计算开销可以忽略不计。在Pascal VOC，COCO和各种损坏的COCO数据集上进行的密集实验表明，TexDrop不仅可以提高多种架构的检测性能，而且还可以持续增强对各种图像损坏和纹理变化的鲁棒性。我们的研究提供了对对象检测器中纹理依赖性的经验见解，并为在现实应用中开发更强大，更可靠的对象检测系统提供了实用的解决方案。

Keyword:

texture bias

shape bias

object detection

convolutional neural networks

robustness