基于对抗学习的鲁棒且精确的目标检测
计算机视觉与模式识别
2021-03-30 v2 机器学习
摘要
数据增强已成为训练高性能深度图像分类器的实际标配组件，但其在目标检测中的潜力尚未被充分挖掘。注意到大多数最先进的目标检测器受益于对预训练分类器的微调，我们首先研究了分类器从各种数据增强中获得的增益如何迁移到目标检测。结果令人沮丧；在微调后，无论准确性还是鲁棒性方面的增益都减弱了。本文转而通过在微调阶段探索对抗样本（可视为一种依赖于模型的数据增强）来增强目标检测器的微调。我们的方法动态选择来自检测器分类与定位分支的更强对抗图像，并随检测器演化以确保增强策略保持最新和相关。这种依赖于模型的增强比 AutoAugment（基于某一个特定检测器搜索的与模型无关的增强策略）能更好地泛化到不同的目标检测器。我们的方法在 COCO 目标检测基准上将最先进的 EfficientDets 的性能提升了 +1.1 mAP。它还将检测器针对自然失真的鲁棒性提升了 +3.8 mAP，针对域偏移的鲁棒性提升了 +1.3 mAP。模型可在 https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md 获取。
引用
@article{arxiv.2103.13886,
title = {Robust and Accurate Object Detection via Adversarial Learning},
author = {Xiangning Chen and Cihang Xie and Mingxing Tan and Li Zhang and Cho-Jui Hsieh and Boqing Gong},
journal= {arXiv preprint arXiv:2103.13886},
year = {2021}
}
备注
CVPR 2021. Models are available at https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md