摘要

对抗性数据增强是视觉Transformer（Vision Transformer, ViT）具备强大泛化能力的关键因素之一。其中一种典型的数据增强技术是对抗训练（Adversarial Training, AT），然而已有大量研究表明，该方法通常会导致模型在干净样本上的准确率下降。针对这一问题，本文提出了一种简单而高效的方法——金字塔对抗训练（Pyramid Adversarial Training, PyramidAT），以全面提升ViT的整体性能。我们进一步结合了一种“匹配”的Dropout与随机深度（stochastic depth）正则化策略，即在干净样本与对抗样本上采用相同的Dropout和随机深度配置。这一设计类似于在卷积神经网络（CNN）中通过AdvProp实现的性能提升（该方法不直接适用于ViT），但我们的PyramidAT首次打破了ViT及其相关架构在分布内准确率与分布外鲁棒性之间的权衡关系。在仅使用ImageNet-1K数据训练的情况下，PyramidAT使ViT-B模型在ImageNet干净样本上的准确率提升了1.82个百分点。同时，在7项ImageNet鲁棒性评估指标上，性能也实现了显著提升，绝对提升幅度介于1.76%至15.68%之间。该方法在不引入额外数据的前提下，刷新了ImageNet-C（mCE为41.42）、ImageNet-R（53.92%）和ImageNet-Sketch（41.04%）三项基准的最新最优性能记录，仅依赖ViT-B/16主干网络与所提出的PyramidAT方法。相关代码已公开，可访问：pyramidat.github.io。