通过有约束的选择性对抗性学习进行准确和强大的对象检测

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:

• 基于卷积神经网络 (ConvNet) 的物体探测器在清洁图像方面表现出色,但在损坏的数据 (噪音,模糊,恶劣天气) 上却失败.
• 这种性能差距限制了安全敏感应用程序的可行性.
• 当前的稳定性方法通常需要额外的标记数据,图像恢复或降低清洁图像的性能.

研究的目的:

• 开发一种通用培训方法,即有约束的选择性对抗性学习 (SALC),同时提高物体检测器的精度和稳定性.
• 为了解决经常与对抗训练相关的清洁图像的性能下降.

主要方法:

• 提出了多任务对抗学习中对抗样本的统一配方,以使训练数据多样化.
• 引入了一个批量本地比较策略,其中有两个批量规范化 (BN) 分支,通过分析模型偏差和BN统计数据来平衡准确性和稳定性.
• 实施任务意识比率值,以管理子任务损失和防止性能恶化.

主要成果:

• 在清洁基准 (Pascal VOC,MS-COCO) 和腐败基准 (Pascal VOC-C,MS-COCO-C) 上,SALC取得了最先进的结果.
• 在不影响清洁图像性能的情况下,表现出对各种图像损坏的强度提高.
• 在没有额外的标记数据,推断成本或模型参数的情况下,验证了该方法对各种探测器的适用性.

结论:

• 萨尔克为提高物体检测网络的稳定性和精度提供了一种新且有效的解决方案.
• 该方法提供了一种实用且高效的方法,可以在现实世界,具有挑战性的条件下提高探测器性能.
• 萨尔克在开发可靠的计算机视觉系统方面取得了重大进展.