迈向鲁棒语义分割模型的可靠评估与快速训练

对抗鲁棒性在图像分类中已被广泛研究，尤其是针对 $\ell_\infty$ 威胁模型，但在目标检测与语义分割等相关任务中研究明显偏少，其中攻击被证明是比图像分类困难得多的优化问题。我们提出了若干针对特定问题的新颖攻击，最小化准确率与 mIoU 中的不同度量。我们的攻击集合 SEA 表明，现有攻击严重高估了语义分割模型的鲁棒性。令人惊讶的是，现有针对语义分割模型的对抗训练尝试被证明是脆弱的，甚至完全不具备鲁棒性。我们探究了先前将对抗训练适配于语义分割失败的原因，并展示了如何利用近期提出的鲁棒 ImageNet 骨干网络，以最多六倍更少的训练时间获得对抗鲁棒的语义分割模型（针对 PASCAL-VOC 与更具挑战性的 ADE20k）。相关代码与鲁棒模型可在 https://github.com/nmndeep/robust-segmentation 获取。