Mar, 2024

针对恶劣可视条件下跨领域目标检测的对抗防御教师

PDF
TL;DR现有的目标检测器在处理训练和真实世界数据之间的领域转变方面面临挑战，尤其是在雾天和夜晚等低能见度条件下。我们提出了一种名为 Adversarial Defense Teacher（ADT）的简单而有效的框架，通过利用对抗性防御来提高教学质量，并通过 Zoom-in Zoom-out 策略解决低能见度条件下的小目标问题。我们的结果表明，ADT 在 Foggy Cityscapes 上达到了 54.5％的 mAP，超过了先前的最先进技术 2.6％的 mAP。
object detectorsdomain shiftspoor visibility conditionsadversarial defensezoom-in zoom-out strategy
发现论文，激发创造
  • 跨域适应目标检测教师

    我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

    Nov, 2021

  • 通过对抗性学习实现鲁棒准确的物体检测

    本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

    Mar, 2021

  • 人脸反翻拍的双教师知识蒸馏与领域对齐

    本文提出了一种用于人脸反欺诈的领域对抗攻击方法，通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐；此外，结合领域对抗攻击与双教师知识蒸馏，开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和与最先进方法的比较结果验证了我们提出方法的优势。

    Jan, 2024

  • 物体检测中的类别感知鲁棒性对抗训练

    本文提出一种新颖的、针对目标检测任务的类感知鲁棒性对抗训练范式，旨在提高目标检测模型的鲁棒性，并通过广泛实验验证了该方法的有效性。

    Mar, 2021

  • 自训练与对抗学习相互合作：领域自适应目标检测

    本文提出了一种利用预测不确定性来平衡对抗特征对齐和类级对齐的方法，以适应在物体外观、视角和背景方面存在显著变化的未知领域中的已训练的物体检测器。

    Oct, 2021

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 领域自适应目标检测：自训练与对抗学习之间的平衡

    利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

    Nov, 2023

  • 为正确的原因上当：通过教师引导的课程学习方法提高对抗性鲁棒性

    通过限制像素扰动以及使用更准确的物体属性图，提出了一种非迭代的训练方法，实现了在 CIFAR-10、CIFAR-100 和 TinyImageNet 数据集上比现有的 AT 方法更高的鲁棒性，在对抗攻击和自然精度方面优于其他方法。

    Oct, 2021

  • 自动驾驶中雾天和雨天强化目标检测的域适应

    这篇论文提出了一个新颖的领域自适应目标检测框架，用于自动驾驶在雾天和雨天。我们的方法利用图像级和目标级自适应来减少图像风格和目标外观的领域差异。此外，为了增强模型在具有挑战性样本下的性能，我们引入了一种新的对抗梯度翻转层，该层在领域自适应同时在困难样本上进行对抗挖掘。此外，我们提出通过数据增强生成辅助领域以强制实施新的领域级度量规则。公开基准测试的实验结果表明，在自动驾驶应用的领域转移场景中使用我们提出的方法显著提高了目标检测性能。

    Jul, 2023

  • 增强的三维对抗样本用于鲁棒性领域外预测

    通过对实际训练数据集进行改进，我们提出了一种使用对抗性示例来增强模型对领域外数据的泛化能力的方法，通过学习和应用一组矢量来扭曲对象并进行对抗性增强，从而显著提高了三维对象检测和三维语义分割方法对领域外数据的鲁棒性和泛化能力。

    Aug, 2023