Autoencoder-based denoising defense against adversarial attacks on object detection

深度学习基于目标检测的模型在实际应用中发挥关键作用，如自动驾驶和安防监控系统，但仍易受到对抗样本的攻击。本文提出一种基于 autoencoder 的去噪防御机制，以恢复因对抗扰动导致的检测性能下降。我们使用 Perlin 噪声对 COCO 数据集中的车辆相关图像进行对抗攻击，应用单层卷积 autoencoder 去除扰动，并使用 YOLOv5 评估检测性能。实验表明，对抗攻击使 bbox mAP 从 0.2890 降至 0.1640，性能下降 43.3%。应用本文提出的 autoencoder 防御后，bbox mAP 提升至 0.1700（恢复 3.7%），bbox mAP@50 从 0.2780 提升至 0.3080（提升 10.8%）。这些结果表明，基于 autoencoder 的去噪可在无需模型再训练的情况下提供部分对抗攻击防御。