4董子怡、魏鹏旭、梁琳
图 像 鉴 别 器 ( AID ) 。 RobustDet 还 采 用 了 Consistent Features with
Reconstruction(CFR)来确保可靠的鲁棒性。通过施加重构约束,使
模型提取的特征能够尽可能地重构为干净图像,从而驱动模型对干净
图像和对抗图像都能提取更鲁棒的特征。在PAS-CAL VOC [8]和MS-
COCO [18]数据集上进行的大量实验结果表明,在干净图像上具有优
异的准确性性能,在对抗图像上具有良好的检测鲁棒性
总体而言,我们的贡献概述如下:
1.
在实验上,我们分析了检测鲁棒性瓶颈,并验证了学习干净图像
和对抗图像之间的冲突,以获得鲁棒的目标检测器。
2.
从技术上讲,我们提出了一个基于对抗感知卷积的鲁棒检测模型
(RobustDet),以学习干净图像和对抗图像的鲁棒特征。此外,
我们提出了一致的特征与重建(CFR)约束模型,以提取更强大
的功能,可以重建尽可能干净的图像。
3.
在实 验上 , 我 们 进 行 了 全面 的实 验, 以 评 估 所 提出 的方 法在
PASCAL VOC和MS-COCO数据集上的对抗检测鲁棒性,在干净图
像和对抗图像上都实现了最先进的性能。它在干净图像上具有优
越的准确性,在对抗图像上具有很好的检测鲁棒性
2
相关工作
2.1 对抗性攻击与防御
对于深度神经网络,其出色的特征表示能力已在各种场景中得到证明
[12,26,13]。即便如此,神经网络模型在输入的轻微扰动下很容易
产生完全错误的预测[28]。特别是,它们相当容易受到adversar- ial攻
击。相应地,越来越多的对抗性攻击方法被提出:基于梯度的白盒对
抗性攻击方法(
例如,
,FGSM [10]和PGD [21])和黑盒对抗攻击方法
(
例如,
[24]和LeBA [33])。这些方法可以很容易地欺骗分类模型,
即使只是一个像素的变化也会完全欺骗模型[27]。 为了解决这个问
题,已经提出了
一些防御方法[29,3,16,36,22]。 其中,对抗
训练是
应用最广泛、效果最好的方法之一.它允许模型不断学习对抗图像,并
更多地关注对抗图像和干净图像的鲁棒特征,以忽略非鲁棒特征。
2.2 攻击和鲁棒的对象检测器
近年来,已经提出了种子对象检测模型,
例如,
,更快的RCNN [23],
SSD [19],YOLOX [9]和DETR [2],构建了一系列深刻的