面向语义分割的单步对抗训练

尽管深度神经网络在许多不同任务（包括语义分割）上取得成功，但它们缺乏针对对抗样本的鲁棒性。为应对此漏洞，常采用对抗训练。然而已知的是，使用弱对抗攻击（例如快速梯度法）的对抗训练并不能提升对更强攻击的鲁棒性。近期研究表明，通过在训练中选取合适的步长，有可能增强此类单步方法的鲁棒性。在不增加单步对抗训练计算开销的前提下找到这样的步长，仍是一个开放挑战。本文针对计算需求尤为苛刻的语义分割任务，提出一种新的步长控制算法，以提升单步对抗训练的鲁棒性。所提算法不会显著增加单步对抗训练的计算开销，且由于不含元参数，也简化了训练。我们表明，在两个流行的语义分割基准上，我们方法的鲁棒性可与多步对抗训练相媲美。