基于局部增强的船舶检测对抗性补丁攻击
计算机视觉与模式识别
2025-09-01 v1
摘要
当前基于遥感影像的船舶检测技术主要依赖深度神经网络（DNN）的对象检测能力。然而，DNN 易受对抗性补丁攻击威胁，可能导致检测模型对目标进行误分类，或完全规避目标检测。大量研究表明，基于数据变换的方法可提高对抗样本的迁移性。然而，过度对图像背景或无关区域进行增强，可能引入不必要的干扰，导致目标检测模型产生误检。这些错误并非由对抗性补丁本身引起，而是由背景和非目标区域的过度增强所致。本文提出了一种局部增强方法，仅对目标区域应用增强，避免对非目标区域产生影响。通过降低背景干扰，该方法使损失函数能够更直接地聚焦于对抗性补丁对检测模型的影响，从而提升攻击成功率。在 HRSC2016 数据集上的实验表明，所提出的方法有效地提高了对抗性补丁攻击的成功率，并增强了其迁移性。
引用
@article{arxiv.2508.21472,
title = {Adversarial Patch Attack for Ship Detection via Localized Augmentation},
author = {Chun Liu and Panpan Ding and Zheng Zheng and Hailong Wang and Bingqian Zhu and Tao Xu and Zhigang Han and Jiayao Wang},
journal= {arXiv preprint arXiv:2508.21472},
year = {2025}
}