车辆检测的物理世界对抗鲁棒性基准测试
计算机视觉与模式识别
2023-04-12 v1
摘要
物理世界中的对抗攻击会损害检测模型的鲁棒性。由于许多实验耗时费力，评估检测模型在物理世界中的鲁棒性可能具有挑战性。因此，虚拟仿真实验可为该挑战提供解决方案。然而，目前尚无基于虚拟仿真环境的统一检测基准。为应对此挑战，我们提出了一种基于 CARLA 模拟器的实例级数据生成流水线。利用该流水线，我们生成了 DCI 数据集，并在三种检测模型与三种物理对抗攻击上进行了广泛实验。该数据集覆盖 7 个连续场景与 1 个离散场景，包含超过 40 个角度、20 种距离以及 20,000 个位置。结果表明，Yolo v6 抗性最强，平均 AP 仅下降 6.59%，而 ASA 是最有效的攻击算法，平均 AP 降低 14.51%，为其他算法的两倍。静态场景具有更高的识别 AP，且不同天气条件下的结果相似。对抗攻击算法的改进可能正接近其“极限”。
引用
@article{arxiv.2304.05098,
title = {Benchmarking the Physical-world Adversarial Robustness of Vehicle Detection},
author = {Tianyuan Zhang and Yisong Xiao and Xiaoya Zhang and Hao Li and Lu Wang},
journal= {arXiv preprint arXiv:2304.05098},
year = {2023}
}
备注
CVPR 2023 workshop