APARATE：面向自动驾驶中基于CNN单目深度估计的自适应对抗补丁
计算机视觉与模式识别
2024-08-06 v3 机器人学
摘要
近年来，单目深度估计（MDE）的性能取得显著进展，主要归因于创新架构（即卷积神经网络（CNN）与Transformers）的引入。然而，这些模型对对抗攻击的脆弱性已成为一个值得关注的问题，尤其在安全与安保至关重要的领域。由于MDE在自动驾驶与机器人导航等应用中起关键作用，准确场景理解至关重要，该担忧对MDE尤为重大。为评估基于CNN的深度预测方法的漏洞，近期工作尝试设计针对MDE的对抗补丁。然而，现有方法未能对视觉系统诱导全面且具实质破坏性的影响，其影响是局部的且限于特定区域。这些方法仅在输入图像重叠区域导致错误深度预测，而未考虑目标对象的特征（如尺寸、形状与位置）。本文引入一种名为APARATE的新型对抗补丁。该补丁能够以两种不同方式选择性破坏MDE：扭曲估计距离或制造对象从自主系统视角消失的错觉。值得注意的是，APARATE设计为对目标对象的形状与尺度敏感，且其影响超出邻近范围。APARATE在基于CNN的MDE模型上导致平均深度估计误差超过0.5，对多达99%的目标区域产生显著影响；在基于Transformer的MDE中，其产生0.34的显著误差并影响94%的目标区域。
引用
@article{arxiv.2303.01351,
title = {APARATE: Adaptive Adversarial Patch for CNN-based Monocular Depth Estimation for Autonomous Navigation},
author = {Amira Guesmi and Muhammad Abdullah Hanif and Ihsen Alouani and Muhammad Shafique},
journal= {arXiv preprint arXiv:2303.01351},
year = {2024}
}