Page 323 - 《软件学报》2026年第7期

3008 软件学报 2026 年第 37 卷第 7 期

图 8(a)). 结果共同体现出模型在本文方法下得到了更有效的加固.

表 13 目标检测模型在 PASCAL VOC 数据集上对于 DAG 攻击的 AP 指标情况

模型结构 方法 AP AP50 AP75
原始模型 0.001 8 0.008 4 0.000 4
对抗训练 0.004 8 0.018 2 0.002 2
Faster R-CNN-FPN
PBAT (GAN) 0.006 3 0.028 3 0.001 8
PBAT (DISCO) 0.007 5 0.029 1 0.000 7
原始模型 0.013 8 0.046 4 0.002 5
对抗训练 0.014 0 0.057 7 0.001 0
Faster R-CNN-C4
PBAT (GAN) 0.037 4 0.286 5 0.000 0
PBAT (DISCO) 0.012 9 0.052 3 0.004 0

(a) 原始样本 (b) 对抗样本
图 6 未加固的 Faster R-CNN 模型的检测结果

(a) 原始样本 (b) 对抗样本
图 7 对抗训练后 Faster R-CNN 模型的检测结果

4.6 实验结果进一步分析
PBAT 在各组实验中均获得了最优的表现, 说明使用本文提出的代理分布模型去作为学习样本数据的分布规
律的工具, 并构造新的训练数据, 丰富了鲁棒训练数据集, 比对抗训练方法更有利于模型获得对抗鲁棒性. 并广泛
适应多种攻击方法. 使用新分布下的数据改进了标准对抗训练的防御效果, 在不同计算机视觉领域, 以及多个数据
集和模型结构上, 获得了更好的训练效果, 特别是对于一阶攻击有着出色的防御表现.
从实验结果来看, 在不同数据集和模型上, 这种轮次训练方法有效提高了模型的鲁棒性和泛化能力, 侧面证明
了其对训练稳定性的积极作用. 这种动态调整的方式有助于避免模型对对抗样本分布的过度拟合, 使得训练过程
更加稳定, 而不是造成训练不稳定.