LipSSD：基于Lipschitz约束的单次检测实现对抗鲁棒目标检测
本文提出LipSSD，一种受Lipschitz约束的单次多框检测器（SSD），通过架构设计本身提高对抗鲁棒性。在Pascal VOC数据集上，对抗训练后的LipSSD在未见攻击下mAP@50提升最多15点，并在LARD和KITTI等安全关键数据集上保持清洁性能的同时提升鲁棒性。
目标检测器在自动驾驶、安防监控等安全关键系统中发挥着重要作用，但已知它们对最坏情况下的扰动（如对抗攻击）非常敏感，这极大地限制了其在实际场景中的可靠性。与图像分类任务相比，目标检测的对抗鲁棒性研究尚不充分，现有方法多集中于对抗训练，但对抗训练的性能往往难以迁移到不同的攻击类型、扰动预算或网络架构上，且可能带来较大的计算开销。
针对这一挑战，来自法国研究机构的Vincent Lébé等学者提出了一种全新的鲁棒性设计思路：通过约束网络层的Lipschitz常数，从架构层面提升检测器对对抗扰动的免疫力。他们以单次多框检测器（SSD）为基础，构建了LipSSD——一种受Lipschitz约束的检测器，并利用多种白盒对抗攻击（如快速梯度符号法FGSM、投影梯度下降PGD等）在多个数据集上进行了系统性评估。
研究首先剖析了Lipschitz约束带来的精度与鲁棒性之间的权衡关系，并惊喜地发现这一权衡可以通过单一的训练超参数（即Lipschitz常数的上界）进行灵活调控。这一特性使得用户能够根据具体应用需求在精度和鲁棒性之间取得平衡。进一步的实验表明，Lipschitz约束检测器与对抗训练具有显著的互补性：在Pascal VOC目标检测数据集上，采用完全相同的训练配置，对抗训练的LipSSD在面对未见过的攻击时，平均精度（mAP@50）相比传统对抗训练的SSD提升了最多15个百分点，这一增益在多种攻击设置下均能保持。
研究团队还将LipSSD推广到更具挑战性的安全关键数据集上，包括面向行人检测的LARD数据集和面向自动驾驶场景的KITTI数据集。实验结果显示，LipSSD在这些数据集上不仅显著增强了对抗鲁棒性，而且几乎不牺牲对干净样本的检测性能——清洁性能的下降幅度极小，完全可以忽略不计。例如，在KITTI数据集上，LipSSD在多种攻击下的mAP@50均高于基准方法，同时清洁性能仅下降不到1%。
综合以上结果，该研究证明了架构层面的Lipschitz控制是一种实用且与攻击无关的鲁棒性提升手段。它不依赖于特定攻击的先验知识，可以与其他防御策略（如对抗训练）协同使用，为开发真正安全可靠的目标检测系统提供了新的方向。研究者指出，未来工作将探索如何将Lipschitz约束扩展到更复杂的检测架构（如Faster R-CNN、YOLO等），并进一步优化训练效率。