面向鲁棒自主着陆跑道检测的联邦对抗学习
计算机视觉与模式识别
2024-06-25 v1
摘要
随着深度学习技术在自主着陆系统中的发展，面对可能的对抗攻击，信任与安全性是主要挑战之一。本文提出一种基于联邦对抗学习的框架，用于检测由清洁局部数据及其对抗版本组成的配对数据构成的着陆跑道。首先，在大规模车道检测数据集上对局部模型进行预训练。然后，尽管不利用大型实例自适应模型，我们采用一种称为尺度偏移深层特征 (SSF) 的参数高效微调方法。其次，在每个 SSF 层中， disentangle 清洁局部数据及其对抗版本的分布，以实现准确的统计估计。就我们所知，这是首个针对着陆跑道检测问题中对抗样本的联邦学习工作。我们的实验评估在 Landing Approach Runway Detection (LARD) 数据集的合成图像和真实图像上，均一致显示所提出的联邦对抗学习在对抗攻击下表现良好且鲁棒性强。
引用
@article{arxiv.2406.15925,
title = {Federated Adversarial Learning for Robust Autonomous Landing Runway Detection},
author = {Yi Li and Plamen Angelov and Zhengxin Yu and Alvaro Lopez Pellicer and Neeraj Suri},
journal= {arXiv preprint arXiv:2406.15925},
year = {2024}
}
备注
ICANN2024