基于对抗学习的鲁棒且准确的目标检测

数据增强已成为训练高性能深度图像分类器的标配组件，但在目标检测领域的潜力尚未得到充分挖掘。鉴于当前多数顶尖目标检测器均通过微调预训练分类器获得性能提升，我们首先研究了不同数据增强策略带来的分类器性能增益在目标检测任务中的迁移效果。结果令人失望：在微调之后，无论是准确率还是鲁棒性，这些增益均显著衰减。为此，本文提出在目标检测器的微调阶段引入对抗样本作为增强手段，可视为一种依赖模型的数据增强方法。我们的方法动态选择来自检测器分类分支和定位分支的更强对抗样本，并随着检测器的迭代演化，确保增强策略始终与当前模型保持同步与相关性。这种模型依赖型增强策略在泛化能力上优于AutoAugment——后者是一种基于单一检测器搜索得到的模型无关增强策略。实验表明，该方法在COCO目标检测基准上将当前最先进的EfficientDet模型的性能提升了+1.1 mAP。同时，模型在应对自然图像畸变时的鲁棒性提升+3.8 mAP，在应对域偏移（domain shift）时提升+1.3 mAP。相关模型代码已开源，可访问：https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md