基于进化多目标优化的单目深度估计黑盒对抗攻击
计算机视觉与模式识别
2024-07-09 v1
摘要
本文提出一种针对单目深度估计（即从单幅图像估计深度）的深度神经网络（DNNs）对抗攻击方法。近年来，由于 DNNs 的发展，单图像深度估计取得了显著进步。然而，DNNs 在图像分类中的脆弱性已被对抗攻击揭示，用于单目深度估计的 DNNs 也可能存在类似漏洞。因此，关于单目深度估计 DNNs 脆弱性的研究迅速展开，但其中许多假设可获得 DNNs 内部信息的白盒条件，或是基于可迁移性的黑盒攻击，需要替代 DNN 模型和训练数据集。利用进化多目标优化，本文所提方法在仅可获得输出深度图的黑盒条件下分析 DNNs。此外，所提方法不需要与目标 DNN 架构相似的替代 DNN，也不需要关于训练目标模型的任何训练数据知识。实验结果表明，所提方法成功攻击了分别使用室内和室外场景训练的两个基于 DNN 的方法。
引用
@article{arxiv.2101.10452,
title = {Black-box Adversarial Attacks on Monocular Depth Estimation Using Evolutionary Multi-objective Optimization},
author = {Renya Daimo and Satoshi Ono and Takahiro Suzuki},
journal= {arXiv preprint arXiv:2101.10452},
year = {2024}
}