AdvSPADE：面向语义分割的真实无约束攻击
计算机视觉与模式识别
2019-11-20 v3 机器学习
图像与视频处理
摘要
由于分割模型固有的鲁棒性，传统的范数有界攻击方法在此类模型上效果有限。本文关注于为语义分割模型生成无约束对抗样本。我们展示了一种简单有效的方法，利用条件生成对抗网络（CGAN）在无任何手工设计度量的情况下生成无约束对抗样本。然而，CGAN的朴素实现会产生较差的图像质量和较低的攻击成功率。相反，我们利用SPADE（空间自适应去归一化）结构并增加一项损失，在单步中生成有效的对抗攻击。我们在流行的Cityscapes和ADE20K数据集上验证了我们的方法，并证明我们合成的对抗样本不仅真实，而且与包括PGD在内的最先进（state of the art）对抗攻击方法相比，将攻击成功率提高了多达41.0%。
引用
@article{arxiv.1910.02354,
title = {AdvSPADE: Realistic Unrestricted Attacks for Semantic Segmentation},
author = {Guangyu Shen and Chengzhi Mao and Junfeng Yang and Baishakhi Ray},
journal= {arXiv preprint arXiv:1910.02354},
year = {2019}
}