본 논문은 안전이 중요한 응용 분야, 특히 국소적인 손상이 발생할 수 있는 복잡하고 역동적인 환경에서의 심층 신경망(DNN)의 강건성에 대해 다룹니다. 기존 연구는 전체 이미지의 자연적 또는 적대적 손상 하에서의 의미론적 분할(SS) 모델의 강건성을 평가했지만, 국소적 손상 하에서의 밀집 시각 모델의 공간적 강건성에 대한 포괄적인 조사는 미흡했습니다. 본 논문은 국소적 손상의 영향을 평가하기 위한 평가 프레임워크와 함께 분할 모델의 공간적 강건성을 벤치마킹하기 위한 특수 메트릭을 제시하여 이러한 간극을 메웁니다. 또한, 단일 국소적 적대적 섭동을 사용하여 최악의 경우 강건성을 특성화하는 고유한 복잡성을 밝힙니다. 이를 해결하기 위해 특정 영역에 적용된 적대적 섭동에 대한 모델 강건성에 대한 더 깊이 있는 이해를 가능하게 하는 방법인 영역 인식 다중 공격 적대적 분석을 제안합니다. 제안된 메트릭과 분석은 운전 시나리오에서 15개의 분할 모델에 대해 평가되어 자연적 및 적대적 형태의 국소적 손상의 영향에 대한 주요 통찰력을 제공합니다. 결과는 모델이 이러한 두 가지 유형의 위협에 다르게 반응한다는 것을 보여줍니다. 예를 들어, 트랜스포머 기반 분할 모델은 국소적 자연적 손상에 대해 상당한 강건성을 보이지만 적대적 손상에는 매우 취약하고, CNN 기반 모델의 경우 그 반대입니다. 따라서 앙상블 모델을 통해 자연적 및 적대적 국소적 손상 모두에 대한 강건성의 균형을 맞추는 문제를 해결하여 더 넓은 위협 범위와 밀집 시각 작업에 대한 향상된 신뢰성을 달성합니다.
