先前评估深度学习（DL）分类器的研究经常使用top-1 / top-5准确性。但是，DL分类器的准确性不稳定，因为在对不完整或对抗性图像进行重新测试时，它经常会发生重大变化。本文通过提出一个由均值精度和变异系数组成的二维度量来测量DL分类器的鲁棒性，为在不完美图像上对DL分类器的鲁棒性进行基准测试的工作量很小但基础很广。使用Spearman秩相关系数和Pearson相关系数并评估其独立性。提出了一个称为mCV的统计图，该图旨在帮助可视化DL分类器在测试图像中不同缺陷量上的性能鲁棒性。最后，我们证明了由两因素破坏破坏的缺陷图像可用于提高DL分类器的鲁棒性。所有源代码和相关图像集都在网站（http://www.animpala.com）上共享，以支持未来的研究项目。



"点击查看英文标题和摘要"