ROSA：针对对抗攻击的鲁棒显著性目标检测

近来，得益于深度卷积神经网络能够提取图像的有力特征，显著性目标检测取得了显著进展。特别地，最先进的显著性目标检测方法从基于全卷积网络（FCN）的框架中获得了高精度与高效率，此类框架端到端训练并预测逐像素标签。然而，这种框架易遭受对抗攻击，后者通过向输入图像添加准不可感知的噪声而不改变由人类标注的真值来混淆神经网络。据我们所知，本文是首篇对显著性目标检测模型发起成功对抗攻击并验证对抗样本在众多现有方法上均有效的论文。此外，本文提出一种新颖的端到端可训练框架，以增强任意基于 FCN 的显著性目标检测模型抵御对抗攻击的鲁棒性。所提框架采用一种新思路：首先引入一些新的通用噪声以破坏对抗扰动，然后学习对带引入噪声的输入图像预测显著性图。具体而言，我们的方法由一个分段屏蔽组件（保留边界并破坏精细的对抗噪声模式）和一个上下文感知修复组件（通过全局对比建模细化显著性图）构成。实验结果表明，我们的框架在一系列数据集上显著提升了最先进模型的性能。