视觉判别式自监督学习的对抗鲁棒性
计算机视觉与模式识别
2025-09-25 v2
摘要
自监督学习 (SSL) 在视觉表征学习方面取得了显著进展，但其对抗鲁棒性的综合评估仍有限。本 study 我们评估了七种判别式自监督模型和一种监督模型在包括 ImageNet 分类、迁移学习、分割和检测在内的各种任务上的对抗鲁棒性。我们的发现表明，判别式 SSL 模型在 ImageNet 上的对抗攻击鲁棒性通常优于其监督模型 counterparts，此优势在采用线性评估的迁移学习中也延续。然而，在进行微调后，SSL 与监督模型之间的鲁棒性差距明显缩小。类似地，这种鲁棒性优势在分割和检测任务中也会减弱。我们还研究了各种因素可能影响对抗鲁棒性的因素，包括架构选择、训练持续时间、数据增强和批量大小。我们的分析为视觉自监督表征系统的对抗鲁棒性探索做出了贡献。
引用
@article{arxiv.2503.06361,
title = {Adversarial Robustness of Discriminative Self-Supervised Learning in Vision},
author = {Ömer Veysel Çağatan and Ömer Faruk Tal and M. Emre Gürsoy},
journal= {arXiv preprint arXiv:2503.06361},
year = {2025}
}
备注
ICCV 2025