针对3D车辆检测的相机-激光雷达模型的对抗攻击
计算机视觉与模式识别
2021-09-23 v2 密码学与安全
图形学
机器学习
摘要
大多数自动驾驶车辆（AVs）依赖激光雷达和RGB相机传感器进行感知。利用这些点云与图像数据，基于深度神经网络（DNNs）的感知模型已在3D检测中取得最先进的性能。DNNs对对抗攻击的脆弱性已在RGB图像域得到大量研究，近期也在点云域有所探讨，但很少同时在两个域中进行。自动驾驶车辆中使用的多模态感知系统可分为两大类：独立使用各模态的级联模型，以及同时从不同模态学习的融合模型。我们针对每种类型提出了一种通用且物理可实现的对抗攻击，并研究及对比它们各自的攻击脆弱性。我们在汽车顶部放置一个具有特定形状和纹理的单一对抗物体，目标是使该汽车逃避检测。在流行的KITTI基准上评估，我们的对抗物体使宿主车辆逃避各模型类型检测的概率超过50%。稠密的RGB输入对级联与融合模型上对抗攻击的成功贡献更大。
引用
@article{arxiv.2103.09448,
title = {Adversarial Attacks on Camera-LiDAR Models for 3D Car Detection},
author = {Mazen Abdelfattah and Kaiwen Yuan and Z. Jane Wang and Rabab Ward},
journal= {arXiv preprint arXiv:2103.09448},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2101.10747 Updates in v2: Expanded conclusion and future work, reduced Figure 5's size, and a small correction in Table 3