面向目标检测的类感知鲁棒对抗训练
计算机视觉与模式识别
2021-04-01 v2
摘要
目标检测是一项重要的计算机视觉任务，具有大量现实应用；因此，如何增强其抵御对抗攻击的鲁棒性已成为一个关键问题。然而，以往大多数防御方法聚焦于分类任务，在目标检测任务背景下鲜有分析。在本工作中，为解决这个问题，我们提出了一种面向目标检测任务的新型类感知鲁棒对抗训练范式。对于给定图像，所提方法生成通用对抗扰动，通过联合最大化各目标各自的损失来同时攻击图像中出现的所有目标。同时，不同于以目标数量对总损失进行归一化，所提方法将总损失分解为类级损失，并使用该类目标的数量对各类损失分别归一化。基于类加权损失的对抗训练不仅能平衡各类的影响，还能与以往防御方法相比有效且均匀地提升训练模型对所有目标类别的对抗鲁棒性。此外，随着快速对抗训练的最近发展，我们提供了所提算法的快速版本，其训练速度快于传统对抗训练且保持相当性能。在具有挑战性的 PASCAL-VOC 和 MS-COCO 数据集上的大量实验表明，所提防御方法能有效增强目标检测模型的鲁棒性。
引用
@article{arxiv.2103.16148,
title = {Class-Aware Robust Adversarial Training for Object Detection},
author = {Pin-Chun Chen and Bo-Han Kung and Jun-Cheng Chen},
journal= {arXiv preprint arXiv:2103.16148},
year = {2021}
}