对抗YOLO：通过检测对抗补丁防御人体检测补丁攻击
计算机视觉与模式识别
2021-03-17 v1
摘要
目标检测系统的安全性日益受到关注，尤其在面对对抗补丁攻击时。由于补丁攻击仅改变物体上受限区域的像素，它们易于在物理世界中实施，特别是用于攻击人体检测系统。现有的针对补丁攻击的防御多应用于图像分类问题，难以抵御人体检测攻击。针对这一关键问题，我们在YOLO检测系统上提出了一种高效且有效的插件式防御组件，命名为Ad-YOLO。其主要思想是在YOLO架构上增加一个补丁类别，带来的推理开销可忽略不计。因此，Ad-YOLO有望直接检测感兴趣物体和对抗补丁。据我们所知，我们的方法是首个针对人体检测攻击的防御策略。我们考察了Ad-YOLO在YOLOv2基线上的性能。为提升Ad-YOLO检测多样补丁的能力，我们首先使用对抗训练过程基于Inria数据集构建了一个补丁数据集，命名为Inria-Patch。随后，我们通过组合Pascal VOC、Inria和Inria-Patch数据集训练Ad-YOLO。在VOC 2007测试集上mAP仅下降的情况下，Ad-YOLO在面临白盒补丁攻击时实现了的人体AP，远优于YOLOv2的 AP。此外，与YOLOv2相比，还包括了面对物理世界攻击的结果，以证明Ad-YOLO优异的泛化能力。
引用
@article{arxiv.2103.08860,
title = {Adversarial YOLO: Defense Human Detection Patch Attacks via Detecting Adversarial Patches},
author = {Nan Ji and YanFei Feng and Haidong Xie and Xueshuang Xiang and Naijin Liu},
journal= {arXiv preprint arXiv:2103.08860},
year = {2021}
}
备注
9 pages, 7 figures