Det-AdvProp] 对抗学习用于鲁棒准确目标检测(CVPR, 2021)

1. Motivation

数据增强技术在分类网络中的应用较为普遍，然而在目标检测领域却尚未得到充分挖掘。

• 数据增强已逐渐成为训练高性能深度图像分类器不可或缺的组成部分，但其在目标检测任务中的潜力仍处于未被深入探索的状态。
• 本文旨在改进这一学习范式，以提升目标检测器的准确性与鲁棒性。

通常而言，在目标检测任务中存在两种增强检测器的方式：第一种是直接从上游分类任务中获取已增强的模型，并对其进行微调；第二种则是在训练过程中直接对检测器进行增强处理。

• 增强检测器的方法主要有两种：（i）从上游分类任务中借用一个已经经过增强的模型，并针对目标检测任务进行微调。（ii）在训练过程中直接对检测器进行增强处理。
• 我们选择第二种方式，在微调阶段引入数据增强手段，以提升检测器的准确性和鲁棒性。

研究者探讨了多种应用于分类网络（如ResNet）的数据增强方法如何迁移到目标检测任务中。然而实验结果表明，在完成微调后，无论是准确率还是鲁棒性方面的提升效果均有所减弱。

• 首先我们分析了各类数据增强方法在分类任务中所带来的优势如