一种针对目标检测的黑盒攻击大规模多目标方法
计算机视觉与模式识别
2022-09-19 v1
摘要
最近的研究表明，基于深度模型的检测器易受对抗样本的攻击，即使在攻击者无法访问模型信息的黑盒场景下也是如此。大多数现有的攻击方法旨在最小化真正率，这往往表现出较差的攻击性能，因为在被攻击的边界框周围可能检测到另一个次优边界框成为新的真正边界框。为解决这一挑战，我们提出最小化真正率并最大化假正率，这可促使更多假正对象阻挡新真正边界框的生成。该问题被建模为多目标优化（MOP）问题，其通用算法可搜索帕累托最优。然而，我们的任务具有超过两百万个决策变量，导致搜索效率低下。因此，我们扩展了标准遗传算法，引入随机子集选择和分治策略，称为 GARSDC，显著提高了效率。此外，为缓解通用算法对种群质量的敏感性，我们利用具有相似骨干网络的不同检测器之间的可迁移性生成梯度先验初始种群。与最先进的攻击方法相比，GARSDC 在大量实验中平均降低 mAP 12.0，查询次数减少约 1000 倍。我们的代码可在 https://github.com/LiangSiyuan21/ GARSDC 找到。
引用
@article{arxiv.2209.07790,
title = {A Large-scale Multiple-objective Method for Black-box Attack against Object Detection},
author = {Siyuan Liang and Longkang Li and Yanbo Fan and Xiaojun Jia and Jingzhi Li and Baoyuan Wu and Xiaochun Cao},
journal= {arXiv preprint arXiv:2209.07790},
year = {2022}
}
备注
14 pages, 5 figures, ECCV2022