Réponse rapide
Évaluer la robustesse d’une segmentation profonde exige variations de lumière, caméra, distance, occlusion, classes, scènes et matériel, avec mesures de qualité, confiance et conséquences.
La robustesse doit suivre les conditions réelles
Pluie, poussière, caméra différente et nouvelles scènes peuvent renverser un score nominal. Testez le contexte du déploiement.
Varier les entrées
Jour, nuit, pluie, poussière, flou, compression, nouveaux objets et capteurs différents révèlent les dépendances cachées.
Mesurer par contexte
Score global, petites instances, bord, temporalité, latence et erreurs critiques sont rapportés séparément.
Relier au comportement
Une baisse de confiance doit modifier vitesse, marge ou autorisation ; l’évaluation ne s’arrête pas au masque produit.
Sources et références
- [1] Robotics and Autonomous Systems — NIST