实例分割模型的鲁棒性评估与对抗训练
计算机视觉与模式识别
2022-06-07 v1 机器学习
摘要
为评估非分类器模型的鲁棒性，我们提出基于随机平滑思想的概率局部等价性，作为定量评估任意函数鲁棒性的方法。此外，为理解对抗训练对非分类器的影响，并探究在不降低训练分布上性能的前提下可获得的鲁棒性水平，我们将Fast is Better than Free对抗训练与TRADES鲁棒损失应用于实例分割网络的训练。在此方向上，我们在TuSimple车道检测挑战赛上取得了0.85的对称最佳Dice分数，优于标准训练网络的0.82。此外，在 manipulated inputs 上我们取得了0.49的F值，而标准训练网络为0。我们表明概率局部等价性能够成功区分标准训练与对抗训练模型，为对抗训练模型鲁棒性的提升提供了另一视角。
引用
@article{arxiv.2206.02539,
title = {Robustness Evaluation and Adversarial Training of an Instance Segmentation Model},
author = {Jacob Bond and Andrew Lingg},
journal= {arXiv preprint arXiv:2206.02539},
year = {2022}
}
备注
15 pages, 10 figures