探索无监督域适应在语义分割中的鲁棒性
计算机视觉与模式识别
2021-07-27 v2
摘要
近期研究表明，深度神经网络易受对抗样本攻击——带有轻微但刻意扰动的图像会被网络错误分类。这种脆弱性使得某些安全相关应用（如自动驾驶汽车中的语义分割）存在风险，并引发对模型可靠性的极大关注。我们首次全面评估了现有 UDA 方法的鲁棒性，并提出了一种鲁棒 UDA 方法。其源于两点观察：(i) 语义分割中 UDA 方法的鲁棒性尚未被探索，这在该领域构成了安全隐患；(ii) 尽管常用的自监督（如旋转和拼图）有益于分类与识别等图像任务，但它们未能提供可学习判别性表征以用于分割任务的关键监督信号。这些观察促使我们提出对抗自监督 UDA（或称 ASSUDA），其通过在输出空间中以对比损失最大化干净图像与其对抗样本之间的一致性。在常用基准上的大量实证研究表明，ASSUDA 能抵抗对抗攻击。
引用
@article{arxiv.2105.10843,
title = {Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation},
author = {Jinyu Yang and Chunyuan Li and Weizhi An and Hehuan Ma and Yuzhi Guo and Yu Rong and Peilin Zhao and Junzhou Huang},
journal= {arXiv preprint arXiv:2105.10843},
year = {2021}
}
备注
ICCV 2021 (Oral)