ECCV 2022 | SegPGD: 能有效提升语义分割模型鲁棒性的对抗攻击方法

©作者 | 陈兆宇单位 | 复旦大学ROILab研究方向 | 对抗样本论文标题：SegPGD: An Effective and Efficient Adversarial Attack for Evaluating and Boosting Segmentation Robustness论文链接：http://arxiv.org/abs/2207.12391收录会议：ECCV 2022提出的问题分类模型的对抗攻击和防御在过去几年中得到了深入研究。语义分割作为分类的延伸，最近也受到了极大的关注。在攻击方法上，与分类不同，分割的攻击目标是同时欺骗所有像素分类。一个有效的分割模型的对抗样本预计会欺骗尽可能多的像素分类，这需要更多的攻击迭代。这一观察使得分割模型的鲁棒性评估和对抗训练都具有挑战性。现有对抗工作在语义分割模型的鲁棒性上有两个问题：第一个是之前在分割上的攻击较弱，从而导致对抗训练生成的鲁棒在面对更强大的攻击时（SegPGD）时会不鲁棒，比如作者使用强大的攻击设置（即大量 ………………………………