Badania pokazują, że modele deep learning osiągające ~99% na benchmarkach rozpoznawania pojazdów SAR w dużej mierze polegają na tle obrazu, a nie na samym pojeździe. Po usunięciu pojazdu ze zdjęcia modele nadal osiągają 63-73% dokładności, co ujawnia poważne skróty uczenia.
Sieci głębokie rozpoznające pojazdy na zdjęciach radarowych SAR osiągają wyniki bliskie perfekcji i brzmią jak marzenie każdego analityka wojskowego czy służb bezpieczeństwa. Wyobraź sobie algorytm, który z dokładnością niemal stu procent identyfikuje pojazd na trudnym, ziarnistym obrazie radarowym: brzmi jak supermoc.
Problem w tym, że model może tak naprawdę "rozpoznawać" nie pojazd, lecz otoczenie, w którym ten pojazd zazwyczaj stoi. Badania ujawniły niepokojący skrót: po usunięciu pojazdu ze zdjęcia skuteczność wcale nie spada do zera, lecz utrzymuje się na poziomie sześćdziesięciu kilku procent. Czy zatem te modele naprawdę widzą pojazd, czy tylko zapamiętały, jak wygląda plac manewrowy?
To streszczenie zostało przygotowane przy pomocy narzędzi AI na podstawie źródła.


Co o tym myślisz?
Zaloguj się, aby dołączyć do dyskusji.
Zaloguj się do dzis.ai
Komentuj, zachowaj swoją passę, dołącz do dyskusji.
G Kontynuuj z Google