AR-GAN：基于生成对抗网络的自动驾驶汽车交通标志分类系统对抗攻击防御方法
计算机视觉与模式识别
2024-01-26 v1 人工智能
密码学与安全
机器学习
摘要
本研究提出了一种基于生成对抗网络（GAN）的防御方法，用于自动驾驶汽车（AV）中的交通标志分类，称为抗攻击生成对抗网络（AR-GAN）。AR-GAN 的新颖之处在于：(i) 假设对对抗攻击模型及其样本零知识，以及 (ii) 在各种对抗攻击类型下提供持续的高交通标志分类性能。AR-GAN 分类系统由一个通过重建对图像进行去噪的生成器和一个对重建图像进行分类的分类器组成。作者在无攻击和各种对抗攻击下测试了 AR-GAN，例如快速梯度符号法（FGSM）、DeepFool、Carlini 和 Wagner（C&W）以及投影梯度下降（PGD）。作者考虑了这些攻击的两种形式，即 (i) 黑盒攻击（假设攻击者不具备分类器的先验知识），以及 (ii) 白盒攻击（假设攻击者完全了解分类器）。将 AR-GAN 的分类性能与几种基准对抗防御方法进行了比较。结果表明，AR-GAN 和基准防御方法均能抵御黑盒攻击，并能达到与未扰动图像相似的分类性能。然而，对于本研究中考虑的所有白盒攻击，AR-GAN 方法均优于基准防御方法。此外，AR-GAN 能够在不同的白盒对抗扰动幅度下保持其高分类性能，而其他防御方法的性能在扰动幅度增加时会急剧下降。
引用
@article{arxiv.2401.14232,
title = {AR-GAN: Generative Adversarial Network-Based Defense Method Against Adversarial Attacks on the Traffic Sign Classification System of Autonomous Vehicles},
author = {M Sabbir Salek and Abdullah Al Mamun and Mashrur Chowdhury},
journal= {arXiv preprint arXiv:2401.14232},
year = {2024}
}