对抗语义轮廓用于目标检测
计算机视觉与模式识别
2021-10-01 v1
摘要
现代目标检测器易受对抗样本攻击，这为自动驾驶汽车等众多应用带来潜在风险。在由 范数正则化的攻击中， 攻击旨在修改尽可能少的像素。然而该问题并非平凡，因为其通常需要同时优化形状与纹理，这是一个 NP 困难问题。为解决此问题，我们提出一种以目标轮廓为先验引导的新方法——对抗语义轮廓（ASC）。借助该先验，我们缩减搜索空间以加速 优化，并引入更多应更能影响检测器的语义信息。基于轮廓，我们通过采样优化修改像素的选择，并交替使用梯度下降优化其颜色。大量实验表明，在消失任务上，我们提出的 ASC 优于最常见的人工设计模式（如方形块与网格）。通过分别修改不超过目标区域 5% 与 3.5% 的面积，我们提出的 ASC 可成功误导包括 SSD512、Yolov4、Mask RCNN、Faster RCNN 等主流目标检测器。
引用
@article{arxiv.2109.15009,
title = {Adversarial Semantic Contour for Object Detection},
author = {Yichi Zhang and Zijian Zhu and Xiao Yang and Jun Zhu},
journal= {arXiv preprint arXiv:2109.15009},
year = {2021}
}
备注
Accepted by ICML2021 Workshop on Adversarial Machine Learning