单眼深度估计对物理世界攻击的自我监督对抗训练

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 单眼深度估计 (MDE) 对于自动驾驶至关重要,但容易受到物理攻击.
• 现有的对抗式训练方法往往需要深入地了解事实,而MDE无法做到这一点.
• 目前的自我监督技术可能会忽视MDE特定领域的知识,从而限制有效性.

研究的目的:

• 为MDE模型开发一种新的自我监督的对抗性培训方法.
• 提高MDE模型对现实世界的物理攻击的稳定性.
• 为了解决现有方法的局限性,这些方法需要基本真理深度或忽视MDE领域知识.

主要方法:

• 引入了MDE的自我监督的对抗性培训策略.
• 使用视图合成来消除对地面真相深度的需求.
• 在训练期间内置L0-规范限制扰动,以增强对手的稳定性.

主要成果:

• 与监督和对比学习方法相比,拟议的方法在各种对抗性攻击方面表现出更好的稳定性.
• 在良性表现的最小退化下实现了增强的对抗性弹性.
• 在两个代表性的MDE网络架构上验证了有效性.

结论:

• 这种新的自我监督的对抗性训练方法有效地提高了MDE模型对物理攻击的稳定性.
• 视图合成和L0-规范扰动为硬化MDE提供了可行的解决方案,而没有地面真实深度.
• 这项工作为安全关键应用的MDE系统的安全提供了重大进展.