利用自监督深度估计的多任务训练提升语义分割的噪声与攻击鲁棒性
计算机视觉与模式识别
2020-04-24 v1
摘要
当前神经网络训练方法多着眼于提升性能，而较少关注旨在针对变化噪声条件或对抗样本定向攻击保持鲁棒性的训练方法。本文提出通过多任务训练提升鲁棒性，该方法在无标签视频上以自监督单目深度估计扩展有监督语义分割。此附加任务仅在训练时执行，以提升语义分割模型在测试时面对多种输入扰动下的鲁棒性。此外，我们甚至发现联合训练方法还提升了模型在原始（有监督）语义分割任务上的性能。我们的评估具有一种特殊新颖性：可相互比较输入噪声与对抗攻击对语义分割鲁棒性的影响。我们在Cityscapes数据集上展示了方法的有效性，其中我们的多任务训练方法在抗噪声鲁棒性和对抗攻击方面始终优于单任务语义分割基线，且训练无需深度标签。
引用
@article{arxiv.2004.11072,
title = {Improved Noise and Attack Robustness for Semantic Segmentation by Using Multi-Task Training with Self-Supervised Depth Estimation},
author = {Marvin Klingner and Andreas Bär and Tim Fingscheidt},
journal= {arXiv preprint arXiv:2004.11072},
year = {2020}
}
备注
CVPR 2020 Workshop on Safe Artificial Intelligence for Automated Driving