面向物理世界攻击的自监督单目深度估计对抗训练
计算机视觉与模式识别
2023-04-04 v3 人工智能
摘要
单目深度估计（MDE）是自动驾驶等应用中的关键组件。存在多种针对 MDE 网络的攻击。这些攻击，尤其是物理攻击，对此类系统的安全性构成重大威胁。传统对抗训练方法需要真值标签，因而无法直接应用于无真值深度的自监督 MDE。一些自监督模型加固技术（如对比学习）忽略了 MDE 的领域知识，难以达到最优性能。本工作中，我们提出一种基于视图合成、无需真值深度的自监督 MDE 模型对抗训练新方法。我们在训练中使用 L0 范数有界扰动，提升针对物理世界攻击的对抗鲁棒性。我们将方法与为 MDE 定制的基于监督学习和基于对比学习的方法进行比较。在两个代表性 MDE 网络上的结果表明，我们针对多种对抗攻击取得了更好的鲁棒性，且几乎无良性性能退化。
引用
@article{arxiv.2301.13487,
title = {Adversarial Training of Self-supervised Monocular Depth Estimation against Physical-World Attacks},
author = {Zhiyuan Cheng and James Liang and Guanhong Tao and Dongfang Liu and Xiangyu Zhang},
journal= {arXiv preprint arXiv:2301.13487},
year = {2023}
}
备注
Initially accepted at ICLR2023 (Spotlight)