面向深度神经网络感知的对抗雨攻击与防御性去雨
计算机视觉与模式识别
2022-02-04 v2 密码学与安全
摘要
雨常常对基于深度神经网络（DNN）的感知系统构成不可避免的威胁，全面研究雨对 DNN 的潜在风险至关重要。然而，收集或合成能够代表真实世界中可能出现的各种下雨情况的雨图相当困难。为此，本文从一个新视角出发，提出将两项完全不同的研究——雨图合成与对抗攻击——相结合。我们首先提出一种对抗雨攻击，借助已部署 DNN 的引导模拟多种下雨情况，并揭示雨可能带来的潜在威胁因素。具体而言，我们设计了因子感知的雨生成方法，根据相机曝光过程合成雨纹，并为对抗攻击建模可学习的雨因子。利用该生成器，我们对图像分类与目标检测实施对抗雨攻击。为防御 DNN 免受雨的负面效应，我们还提出一种防御性去雨策略，其中设计了对抗雨增强，利用混合对抗雨层来增强面向下游 DNN 感知的去雨模型。我们在多个数据集上的大规模评估表明，我们合成的具有真实外观的雨图不仅对 DNN 展现出强对抗能力，还能为防御目的提升去雨模型，为进一步研究雨鲁棒感知奠定基础。
引用
@article{arxiv.2009.09205,
title = {Adversarial Rain Attack and Defensive Deraining for DNN Perception},
author = {Liming Zhai and Felix Juefei-Xu and Qing Guo and Xiaofei Xie and Lei Ma and Wei Feng and Shengchao Qin and Yang Liu},
journal= {arXiv preprint arXiv:2009.09205},
year = {2022}
}