ROSAR: An Adversarial Re-Training Framework for Robust Side-Scan Sonar Object Detection

要約

この論文では、ソナー センサーを使用して自律型水中ビークルによって生成されるサイドスキャン ソナー (SSS) 画像に合わせた深層学習物体検出モデルの堅牢性を強化する新しいフレームワークである ROSAR を紹介します。
知識蒸留 (KD) に関するこれまでの研究を拡張することで、このフレームワークは KD を敵対的再トレーニングと統合し、モデルの効率性と SSS ノイズに対する堅牢性という 2 つの課題に対処します。
さまざまなソナー設定と騒音条件をキャプチャする、公開されている 3 つの新しい SSS データセットを紹介します。
私たちは 2 つの SSS 安全特性を提案して形式化し、それらを再トレーニング用の敵対的データセットの生成に利用します。
ROSAR は、投影勾配降下法 (PGD) とパッチベースの敵対的攻撃の比較分析を通じて、SSS 固有の条件下でモデルの堅牢性と検出精度が大幅に向上し、モデルの堅牢性が最大 1.85% 向上することを実証しました。
ROSAR は https://github.com/remaro-network/ROSAR-framework で入手できます。

要約(オリジナル)

This paper introduces ROSAR, a novel framework enhancing the robustness of deep learning object detection models tailored for side-scan sonar (SSS) images, generated by autonomous underwater vehicles using sonar sensors. By extending our prior work on knowledge distillation (KD), this framework integrates KD with adversarial retraining to address the dual challenges of model efficiency and robustness against SSS noises. We introduce three novel, publicly available SSS datasets, capturing different sonar setups and noise conditions. We propose and formalize two SSS safety properties and utilize them to generate adversarial datasets for retraining. Through a comparative analysis of projected gradient descent (PGD) and patch-based adversarial attacks, ROSAR demonstrates significant improvements in model robustness and detection accuracy under SSS-specific conditions, enhancing the model’s robustness by up to 1.85%. ROSAR is available at https://github.com/remaro-network/ROSAR-framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google