RDA：基于傅里叶对抗攻击的鲁棒域适应
计算机视觉与模式识别
2021-08-17 v3
摘要
无监督域适应（UDA）涉及有标签源域中的有监督损失与无标签目标域中的无监督损失，其往往面临比经典有监督学习更严重的过拟合，因为有监督的源损失存在明显的域间隙，而无监督的目标损失常因缺乏标注而含有噪声。本文提出 RDA，一种引入对抗攻击以缓解 UDA 中过拟合的鲁棒域适应技术。我们通过一种新颖的傅里叶对抗攻击（FAA）方法实现鲁棒域适应，该方法允许较大幅度的扰动噪声但对图像语义的修改极小，前者因其“域间隙”的存在对其生成的对抗样本的有效性至关重要。具体而言，FAA 将图像分解为多个频率分量（FCs），并仅通过扰动捕获极少语义信息的某些频率分量来生成对抗样本。借助 FAA 生成的样本，训练可继续“随机游走”并漂移到具有平坦损失景观的区域，从而实现更鲁棒的域适应。在多个域适应任务上的大量实验表明，RDA 可应用于不同计算机视觉任务并取得优越性能。
引用
@article{arxiv.2106.02874,
title = {RDA: Robust Domain Adaptation via Fourier Adversarial Attacking},
author = {Jiaxing Huang and Dayan Guan and Aoran Xiao and Shijian Lu},
journal= {arXiv preprint arXiv:2106.02874},
year = {2021}
}
备注
Accepted to ICCV2021 (International Conference on Computer Vision)