迈向对抗鲁棒的物体检测

物体检测是一项重要的视觉任务，并已成为许多视觉系统中不可或缺的组成部分，这使得其鲁棒性成为实际应用中日益重要的性能因素。尽管许多近期工作表明物体检测模型容易受到对抗攻击的影响，但很少有研究致力于提高其鲁棒性。在本工作中，我们朝这一方向进行了初步尝试。我们首先从模型鲁棒性的角度重新审视并系统分析了物体检测器和许多近期开发的攻击方法。然后，我们提出了物体检测的多任务学习视角，并确定了任务损失的不对称作用。我们进一步开发了一种对抗训练方法，该方法可以利用多种攻击源来提高检测模型的鲁棒性。在 PASCAL-VOC 和 MS-COCO 上的大量实验验证了所提方法的有效性。