ROSAR：鲁棒侧扫描声纳目标检测的对抗再训练框架
计算机视觉与模式识别
2024-10-15 v1 人工智能
机器学习
机器人学
摘要
本文介绍了 ROSAR，一种新型框架，用于增强针对侧扫描声纳（SSS）图像的深度学习目标检测模型的鲁棒性，这些图像由使用声纳传感器的自主 underwater 车辆生成。通过扩展我们先前关于知识蒸馏（KD）的工作，该框架将 KD 与对抗再训练集成，以解决模型效率和抗 SSS 噪声鲁棒性双重挑战的问题。我们引入了三个新型、公开的 SSS 数据集，涵盖不同的声纳设置和噪声条件。我们提出并形式化了两种 SSS 安全属性，并利用它们生成对抗数据集进行再训练。通过对投影梯度下降（PGD）和 patch-based 对抗攻击的比较分析，ROSAR 在 SSS 特定条件下显著提高了模型鲁棒性和检测准确度，提升了模型鲁棒性最高可达 1.85%。ROSAR 框架可在 https://github.com/remaro-network/ROSAR-framework 上获得。
引用
@article{arxiv.2410.10554,
title = {ROSAR: An Adversarial Re-Training Framework for Robust Side-Scan Sonar Object Detection},
author = {Martin Aubard and László Antal and Ana Madureira and Luis F. Teixeira and Erika Ábrahám},
journal= {arXiv preprint arXiv:2410.10554},
year = {2024}
}