针对深度单目6D物体姿态估计的对抗样本
计算机视觉与模式识别
2022-03-08 v2
摘要
从RGB图像中估计6D物体姿态对于许多现实世界应用（如自动驾驶和机器人抓取）至关重要。最近的深度学习模型在此任务上取得了显著进展，但其鲁棒性却很少受到研究关注。在这项工作中，我们首次研究了能够通过对输入图像施加难以察觉的扰动来欺骗深度学习模型的对抗样本。特别是，我们提出了一种统一的6D姿态估计攻击方法，名为U6DA，该方法能够成功攻击多种最先进的（SOTA）6D姿态估计深度学习模型。我们U6DA的关键思想是欺骗模型，使其对物体实例定位和形状预测出错误的结果，而这对于正确的6D姿态估计至关重要。具体来说，我们探索了一种针对6D姿态估计的基于迁移的黑盒攻击。我们设计了U6DA损失函数来指导对抗样本的生成，该损失旨在将分割注意力图从其原始位置移开。我们表明，生成的对抗样本不仅对直接的6D姿态估计模型有效，而且能够攻击两阶段模型，无论其是否包含鲁棒的RANSAC模块。我们在大规模公开基准上进行了大量实验，以证明我们的U6DA的有效性、可迁移性和抗防御能力。我们还引入了一个新的U6DA-Linemod数据集，用于6D姿态估计任务的鲁棒性研究。我们的代码和数据集将在\url{https://github.com/cuge1995/U6DA}上发布。
引用
@article{arxiv.2203.00302,
title = {Adversarial samples for deep monocular 6D object pose estimation},
author = {Jinlai Zhang and Weiming Li and Shuang Liang and Hao Wang and Jihong Zhu},
journal= {arXiv preprint arXiv:2203.00302},
year = {2022}
}
备注
15 pages