BadFusion：针对 3D 目标检测的 2D 导向后门攻击

3D 目标检测在自动驾驶中发挥着重要作用；然而，其对后门攻击的脆弱性已经显而易见。通过向训练数据集中注入"触发器"来进行后门攻击，可以操控检测器对包含这些触发器的输入的预测。现有的针对 3D 目标检测的后门攻击主要针对 3D LiDAR 信号，其中会注入大型 3D 触发器以确保其在稀疏 3D 空间中的可见性，从而使其容易被检测并在实际场景中不实用。在本文中，我们针对 3D 目标检测的鲁棒性进行探索，通过 2D 相机寻找新的后门攻击面。鉴于相机和 LiDAR 信号融合用于高保真 3D 感知的广泛采用，我们调查了相机信号潜在的干扰潜力。虽然相机信号稠密的特性使得几乎不可察觉的小型触发器能够误导 2D 目标检测，但实现针对 3D 目标检测的 2D 导向后门攻击却并非易事。主要挑战在于将相机信号转换为 3D 空间的融合过程，导致与 2D 触发器与目标输出之间的关联性受到破坏。为解决此问题，我们提出了一种针对 LiDAR-相机融合方法的创新 2D 导向后门攻击，命名为 BadFusion，以在整个融合过程中保持触发器的有效性。评估表明，BadFusion 的有效性，实现的攻击成功率显著高于现有的 2D 导向攻击。