攻击光流

深度神经网络在光流估计问题上取得了最先进的性能。由于光流被用于自动驾驶汽车等若干安全关键应用中，深入了解这些技术的鲁棒性十分重要。最近，已有研究表明对抗攻击轻易地欺骗深度神经网络使其对物体误分类。然而，光流网络对对抗攻击的鲁棒性迄今尚未被研究。在本文中，我们将对抗补丁攻击扩展到光流网络，并表明此类攻击会损害其性能。我们表明，破坏小于图像尺寸1%的一小块补丁即可显著影响光流估计。我们的攻击导致噪声光流估计，其影响远超攻击区域，在许多情况下甚至完全抹去场景中物体的运动。虽然采用编码器-解码器架构的网络对这些攻击非常敏感，但我们发现采用空间金字塔架构的网络受影响的程度较小。我们通过可视化特征图并将其与对这些攻击鲁棒的经典光流技术进行比较，分析了攻击这两种架构的成功与失败。我们还通过将打印图案放入真实场景中来证明此类攻击是切实可行的。