LeNo：具有可学习噪声的对抗鲁棒性显著目标检测网络
计算机视觉与模式识别
2022-12-08 v2
摘要
基于深度神经网络的像素级预测已成为显著目标检测（SOD）的有效范式，并取得了卓越的性能。然而，很少有SOD模型能对视觉上人眼难以察觉的对抗攻击具有鲁棒性。先前的工作鲁棒显著性（ROSA）对预分割的超像素进行混洗，然后通过密集连接的条件随机场（CRF）细化粗略的显著性图。与依赖各种预处理和后处理的ROSA不同，本文提出了一种轻量级的可学习噪声（LeNo）来防御SOD模型的对抗攻击。LeNo在对抗图像和干净图像上均能保持SOD模型的精度，同时保持推理速度。总体而言，LeNo由一个简单的浅层噪声和噪声估计组成，它们分别嵌入在任意SOD网络的编码器和解码器中。受人类视觉注意机制的中心先验启发，我们使用十字形高斯分布初始化浅层噪声，以更好地防御对抗攻击。所提出的噪声估计仅修改解码器的一个通道，而无需添加额外的网络组件进行后处理。通过在最新的RGB和RGB-D SOD网络上进行深度监督的噪声解耦训练，LeNo不仅在对抗图像上，而且在干净图像上均优于先前的工作，这为SOD带来了更强的鲁棒性。我们的代码可在https://github.com/ssecv/LeNo获取。
引用
@article{arxiv.2210.15392,
title = {LeNo: Adversarial Robust Salient Object Detection Networks with Learnable Noise},
author = {He Wang and Lin Wan and He Tang},
journal= {arXiv preprint arXiv:2210.15392},
year = {2022}
}
备注
8 pages, 6 figures, accepted by AAAI 2023