FROD: Robust Object Detection for Free

要約

物体検出はコンピュータビジョンにおける重要なタスクであり、数多くの重要なシステムにおいて不可欠な要素となっている。しかし、最先端の物体検出器は、分類と同様に、敵対的な小さな摂動に影響されやすく、正常な振る舞いを大きく変化させる可能性がある。分類とは異なり、物体検出器のロバスト性については十分に検討されていない。この研究では、敵対的に訓練された分類モデルを活用することで、分類と物体検出の頑健性のギャップを埋めるための最初の一歩を踏み出す。単に敵対的に訓練されたモデルを物体検出のバックボーンとして利用するだけでは、ロバスト性は得られない。我々は、分類ベースのバックボーンに効果的な修正を加えることで、計算オーバーヘッドを発生させることなく物体検出にロバスト性を持たせることを提案する。提案する修正バックボーンによって達成されるロバスト性をさらに強化するために、我々は2つの軽量コンポーネントを導入する：模倣損失と遅延敵対的訓練。MS-COCOデータセットとPascal VOCデータセットを用いた広範な実験を行い、提案アプローチの有効性を実証する。

要約(オリジナル)

Object detection is a vital task in computer vision and has become an integral component of numerous critical systems. However, state-of-the-art object detectors, similar to their classification counterparts, are susceptible to small adversarial perturbations that can significantly alter their normal behavior. Unlike classification, the robustness of object detectors has not been thoroughly explored. In this work, we take the initial step towards bridging the gap between the robustness of classification and object detection by leveraging adversarially trained classification models. Merely utilizing adversarially trained models as backbones for object detection does not result in robustness. We propose effective modifications to the classification-based backbone to instill robustness in object detection without incurring any computational overhead. To further enhance the robustness achieved by the proposed modified backbone, we introduce two lightweight components: imitation loss and delayed adversarial training. Extensive experiments on the MS-COCO and Pascal VOC datasets are conducted to demonstrate the effectiveness of our proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL