AdvART：面向伪装目标检测攻击的对抗艺术
计算机视觉与模式识别
2024-02-12 v2 密码学与安全
摘要
物理对抗攻击构成重大实际威胁，其通过产生显著且恶意设计的物理扰动，欺骗运行于现实世界中的深度学习系统。在此类攻击中，强调自然度评估至关重要，因为人类可轻易察觉并消除不自然的操控。为克服该局限，近期工作提出利用生成对抗网络（GANs）生成自然补丁，其可能不引起人类注意。然而，这些方法受限于有限潜空间，导致自然度与攻击效率间不可避免的权衡。本文中，我们提出一种生成自然且不显眼对抗补丁的新方法。具体而言，我们通过向代价函数引入额外损失项重新定义优化问题。该项作为语义约束，确保生成的伪装图案具有语义意义而非任意图案。额外项利用相似性度量构建相似性损失，并在全局目标函数内优化。我们的技术基于直接操控补丁中的像素值，相较于基于间接通过修改潜向量优化补丁的GAN技术，具有更高灵活性与更大空间。我们的攻击在数字世界及部署于边缘智能摄像头时，分别取得高达91.19%与72%的更优成功率，优于基于GAN的技术。
引用
@article{arxiv.2303.01734,
title = {AdvART: Adversarial Art for Camouflaged Object Detection Attacks},
author = {Amira Guesmi and Ioan Marius Bilasco and Muhammad Shafique and Ihsen Alouani},
journal= {arXiv preprint arXiv:2303.01734},
year = {2024}
}