Page 140 - 《软件学报》2026年第4期

陇盛 等: 基于动量加速和任务均衡的目标检测对抗训练方法 1581

LR-K, 详细流程见算法 1.

算法 1. 基于 NAG 动量和自适应损失重加权的目标检测对抗训练方法 (NAG adv -LR-K).
M−1
ϵ
T
输入: 训练样本 {(x,{b i , c i }) m } ∼ D, 模型训练次数 、学习率 η, 扰动半径 ;
m=0
输出: θ.
for t = 0 to T −1 do
for m = 0 to M −1 do
根据公式 (12) 计算自适应权重 α
for k = 0 to K −1 do
令 F (x k ) = −L locLR ( f θ (x k ,{b i })), 根据公式 (8) 计算 x loc
k+1
令 F (x k ) = −L clsLR ( f θ (x k ,{c i })), 根据公式 (8) 计算 x cls
k+1
end for
( ( )) ( ( ))
loc cls
γ = L LR f θ x ,{b i , c i } > L LR f θ x ,{b i , c i }
K
K
loc
x = γx +(1−γ)x cls
K K
( ( ))
θ = θ −η·∇ θ L LR f θ x,{b i , c i }
end for
end for
算法 1 为本文方法在标准对抗训练模式下的实现, 其单次模型迭代所需的梯度计算量为 O(MK). 为了进一步
比较算法时效性, 我们还给出了本文方法在免费对抗训练模式下的版本 NAG-LR-free, 具体流程如算法 2 所示.
NAG-LR-free 在单次模型迭代中需要梯度计算量同样为 O(MK), 但是模型迭代总数是 NAG adv -LR-K 的 1/K, 因此
实际训练效率会比 NAG adv -LR-K 更高.
算法 2. 基于 NAG 动量和自适应损失重加权的目标检测免费对抗训练方法 (NAG adv -LR-free).

M−1
ϵ
T
输入: 训练样本 {(x,{b i , c i }) m } ∼ D, 模型训练次数 、学习率 η, 扰动半径 ;
m=0
输出: θ.
for t = 0 to (T −1)/K do
for m = 0 to M −1 do
根据公式 (12) 计算自适应权重 α
for k = 0 to K −1 do
令 F (x k ) = −L locLR ( f θ (x k ,{b i })), 根据公式 (8) 计算 x loc
k+1
令 F (x k ) = −L clsLR ( f θ (x k ,{c i })), 根据公式 (8) 计算 x cls
k+1
( ( loc )) ( ( cls ))
γ = L LR f θ x ,{b i , c i } > L LR f θ x ,{b i , c i }
k+1 k+1
loc cls
x = γx k+1 +(1−γ)x k+1
θ = θ −η·∇ θ L LR ( f θ (¯ x,{b i , c i }))
end for
end for
end for

3 数值实验

单阶段目标检测算法因计算高效、部署便捷而被广泛应用于实际生产生活中, 鉴于此, 本文实验在基于 VGG16