面向真实场景的对象检测器遮蔽后门攻击的全面评估
密码学与安全
2025-01-28 v1
摘要
对象检测器后门漏洞的探索，特别是在真实场景中，仍有限。一个显著挑战在于缺乏自然物理后门数据集，而构建此类数据集既耗时又费力。在本工作中，我们通过创建约由11,800张图片/帧组成的数据集来弥补这一空白，数据集包含带有注释的自然物体（如T恤和帽子）作为触发器，以在多样化的真实场景中实现遮蔽对抗效果。该数据集专为研究对象检测器中的物理后门而设计。利用这一数据集，我们对一种顽固的遮蔽后门效应进行全面评估，该效应表明，当靠近检测器前方自然物体（如常见的T恤）时，围绕人员的边界框会消失。我们的评估涵盖三个普遍的攻击面：数据外包、模型外包以及使用预训练模型。遮蔽效应在所有三个攻击面上成功植入对象检测器。我们广泛评估了四种流行对象检测算法（基于锚框的Yolo-V3、Yolo-V4、Faster R-CNN以及无锚框CenterNet），使用19段视频（总计约11,800帧）进行真实场景测试。我们的结果表明，后门攻击对各种因素具有显著鲁性，包括运动、距离、角度、非刚性变形和光照。数据和模型外包场景下，攻击成功率（ASR）在大多数视频中可达100%或接近100%，而被篡改模型的干净数据准确率与干净模型几乎无异，使通过验证集检测后门行为不可能。
引用
@article{arxiv.2501.15101,
title = {Comprehensive Evaluation of Cloaking Backdoor Attacks on Object Detector in Real-World},
author = {Hua Ma and Alsharif Abuadbba and Yansong Gao and Hyoungshick Kim and Surya Nepal},
journal= {arXiv preprint arXiv:2501.15101},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2201.08619