CVPR 2020において、敵対的サンプルによって画像分類を性能改善する手法が提案された。本論文では、物体検出タスクに敵対的サンプルを用いた学習を適応し、シンプルな手法で優れた性能を達成した点が新規性と考えられる。具体的には、回帰lossと分類lossの各々から生成した敵対的サンプルのうち、学習への寄与が大きいものを選択し、メインBN層と補助BN層を用いて学習する。

COCOデータセットに対し、EfficientDetsの性能を+1.1mAP、また、歪みを含むデータセットに対し+3.8mAP、ドメインシフトに対し+1.3mAPの改善。また、AutoAugmentaと比較し、様々なモデルサイズ(EfficientDet-D0~5)において、提案手法の方がモデル性能を大きく改善できることを示した。

敵対的サンプルを用いた画像分類の登場から1年以内で、物体検出向けの手法を提案できたこと、手法がシンプルであること、ライバル手法(AutoAugment)との比較を十分にしていること、が理由と考えられる。