Page 134 - 《软件学报》2026年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(4):1575−1590 [doi: 10.13328/j.cnki.jos.007528] [CSTR: 32375.14.jos.007528] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
基于动量加速和任务均衡的目标检测对抗训练方法

陇 盛 1 , 林 晨 2 , 陶 蔚 1,3 , 张 军 1 , 陶 卿 4

1
(大数据与决策实验室 (国防科技大学), 湖南 长沙 410073)
2
(数据科学与商业智能联合实验室 (西南财经大学), 四川 成都 610074)
3
(军事科学院 战略评估咨询中心, 北京 100091)
4
(陆军炮兵防空兵学院, 安徽 合肥 230031)
通信作者: 陶卿, E-mail: taoqing@gmail.com
摘 要: 对抗训练作为提升深度神经网络对抗鲁棒性的核心策略, 在图像分类任务中已得到广泛关注, 但在目标检
测领域中的研究较为匮乏. 传统对抗训练通常依赖投影梯度下降法 (projected gradient descent, PGD) 开展模型的鲁
棒优化, 然而对抗样本的迭代大幅延长了模型训练周期, 成为限制对抗训练在目标检测这类计算密集型任务中实
际部署的主要瓶颈. 针对这个问题, 提出一种基于 Nesterov 加速梯度 (Nesterov’s accelerated gradient, NAG) 的对抗
训练方法, 通过引入 NAG 动量机制加速算法收敛, 该方法在得到与 PGD 所训练模型精度相当的同时, 显著加快了
对抗训练速度. 此外, 目标检测与图像分类最主要的区别在于目标边界框定位. 然而观察到现有方法仍侧重于学习
基于分类损失产生的对抗样本, 忽视了定位在目标检测中的特殊性. 设计一种自适应损失重加权策略, 以均衡训练
中不同任务所衍生对抗样本的数量占比, 促进模型聚焦定位以增强鲁棒性. 在 PASCAL VOC 和 MS-COCO 两个公
开目标检测数据集上与现有的先进目标检测对抗训练方法进行实验, 对比验证了所提方法的有效性.
关键词: 目标检测; 对抗训练; 动量优化; 多任务损失
中图法分类号: TP18

中文引用格式: 陇盛, 林晨, 陶蔚, 张军, 陶卿. 基于动量加速和任务均衡的目标检测对抗训练方法. 软件学报, 2026, 37(4): 1575–
1590. http://www.jos.org.cn/1000-9825/7528.htm
英文引用格式: Long S, Lin C, Tao W, Zhang J, Tao Q. Adversarial Training Method for Object Detection Based on Momentum
Acceleration and Task Balancing. Ruan Jian Xue Bao/Journal of Software, 2026, 37(4): 1575–1590 (in Chinese). http://www.jos.org.cn/
1000-9825/7528.htm

Adversarial Training Method for Object Detection Based on Momentum Acceleration and Task
Balancing
1
1,3
1
2
LONG Sheng , LIN Chen , TAO Wei , ZHANG Jun , TAO Qing 4
1
(Laboratory for Big Data and Decision (National University of Defense Technology), Changsha 410073, China)
2
(Joint Laboratory of Data Science and Business Intelligence (Southwestern University of Finance and Economics), Chengdu 610074,
China)
3
(Center for Strategic Assessment and Consulting, Academy of Military Sciences, Beijing 100091, China)
4
(Department of Information Engineering, Army Academy of Artillery and Air Defense Forces, Hefei 230031, China)
Abstract: Adversarial training, a key strategy for enhancing the adversarial robustness of deep neural network (DNNs), has been widely
studied in image classification but lacks sufficient research in object detection. Traditional adversarial training often relies on projected

* 基金项目: 国家自然科学基金 (62576351, 62076252, 62106281); 中国博士后科学基金 (2024M764294); 湖南省研究生科研创新项目
(CX20240105)
本文由“高可信自适应机器学习”专题特约编辑王熙照教授、张敏灵教授、曹付元教授推荐.
收稿时间: 2025-05-12; 修改时间: 2025-06-30, 2025-08-15; 采用时间: 2025-08-20; jos 在线出版时间: 2025-09-02
CNKI 网络首发时间: 2026-01-27