用于增强语义分割鲁棒性的对抗训练腐蚀攻击
计算机视觉与模式识别
2026-01-22 v1
摘要
现有的分割模型对对抗攻击表现出显著的脆弱性。为了提高鲁棒性，对抗训练将对抗样本纳入模型训练中。然而，现有的攻击方法仅考虑全局语义信息，而忽略了样本内的上下文语义关系，限制了对抗训练的有效性。为了解决这个问题，我们提出了 EroSeg-AT，这是一个漏洞感知的对抗训练框架，它利用 EroSeg 来生成对抗样本。EroSeg 首先基于像素级置信度选择敏感像素，然后逐步将扰动传播到更高置信度的像素，从而有效地破坏样本的语义一致性。实验结果表明，与现有方法相比，我们的方法显著提高了攻击有效性，并增强了模型在对抗训练下的鲁棒性。
引用
@article{arxiv.2601.14950,
title = {Erosion Attack for Adversarial Training to Enhance Semantic Segmentation Robustness},
author = {Yufei Song and Ziqi Zhou and Menghao Deng and Yifan Hu and Shengshan Hu and Minghui Li and Leo Yu Zhang},
journal= {arXiv preprint arXiv:2601.14950},
year = {2026}
}
备注
Accepted by ICASSP 2026