Transformer 编码器检测模块：利用上下文提升目标检测对抗攻击的鲁棒性
计算机视觉与模式识别
2020-11-16 v1
摘要
深度神经网络方法在目标识别（CNN）与检测（Faster-RCNN）任务中已展现出高性能，但实验表明此类架构易受对抗攻击（FFF、UAP）影响：人类肉眼几乎不可察觉的低幅度扰动即可导致标注性能急剧下降。本文提出一个新的上下文模块，称为 Transformer-Encoder Detector Module，可应用于目标检测器以（i）改进目标实例的标注；（ii）提升检测器对对抗攻击的鲁棒性。所提模型相比基线 Faster-RCNN 检测器取得了最高达 13% 的更高 mAP、F1 分数与 AUC 平均分数，并且在遭受 FFF 或 UAP 攻击的图像上因融入了从场景中提取并编码进模型的上下文与视觉特征而获得高 8 个点的 mAP 分数。结果表明，一个简单的专用上下文模块即可显著提升目标检测器的可靠性。
引用
@article{arxiv.2011.06978,
title = {Transformer-Encoder Detector Module: Using Context to Improve Robustness to Adversarial Attacks on Object Detection},
author = {Faisal Alamri and Sinan Kalkan and Nicolas Pugeault},
journal= {arXiv preprint arXiv:2011.06978},
year = {2020}
}
备注
Accepted for the 25th International Conference on Pattern Recognition (ICPR'2020)