目标检测 | 基于对抗学习的鲁棒精确目标检测

【论文标题】Robust and Accurate Object Detection via Adversarial Learning 【作者团队】Xiangning Chen，Cihang Xie， Mingxing Tan， Li Zhang1 Cho-Jui Hsieh， Boqing Gong 【机构】谷歌，加州大学洛杉矶分校 【发表时间】2021/03/26 【论文链接】https://arxiv.org/pdf/2103.13886.pdf

【推荐理由】 本文出自谷歌和加州大学洛杉矶分校，作者在探索数据增强如何增益目标检测器时，发现了通过在数据中引入对抗性实例，可以有效增强目标检测器的精确性和鲁棒性，因此提出了基于对抗学习的鲁棒精确目标检测。 在文中，作者检查了目标检测器的数据增强策略，发现在目标检测微调之后，无法保留ImageNet分类的性能提升，包括准确性和鲁棒性，因此采用了Det-AdvProp方法。 Det-AdvProp可以动态地学习来自分类和局部域的强大攻击，从而使其策略在微调过程中得以发展， 这种模型和数据相关的方式比以前的与模型无关的扩充策略更有效。 Det-AdvProp的检测效果图如图1所示，其中，上图中，Det AdvProp提高了目标探测器的检测精度，相对于传统方法，检测到的目标更多；中间图中，Det AdvProp提高了检测器在模糊图像中的鲁棒性；在底部图中，Det AdvProp提高了针对跨数据集域移动的鲁棒性。

图1：Det-AdvProp检测效果图

在实验部分，作者经过大量的实验证明，Det-AdvProp方法相对于AutoAugment方法可以更好地适用于不同的对象检测器，在COCO对象检测基准上将最新的EfficientDets性能提高了+1.1 mAP，同时将检测器的抗自然失真能力提高了+3.8 mAP，将抗域失真的能力提高了+1.3 mAP。

内容中包含的图片若涉及版权问题，请及时与我们联系删除