蒸馏增强的物理对抗攻击
计算机视觉与模式识别
2025-01-07 v1
摘要
物理对抗补丁的研究对于识别基于人工智能的识别系统中的漏洞以及构建更具鲁棒性的深度学习模型至关重要。尽管近期研究致力于提升补丁的隐蔽性以增强其实用性,但在隐蔽性与攻击性能之间取得有效平衡仍是一项重大挑战。为解决这一问题,我们提出了一种利用知识蒸馏的新型物理对抗攻击方法。具体而言,我们首先针对目标环境定义一个隐蔽的色彩空间以确保平滑融合;然后在无约束色彩空间中优化一个对抗补丁,作为"教师"补丁;最后,采用对抗知识蒸馏模块将教师补丁的知识迁移至"学生"补丁,引导隐蔽补丁的优化。实验结果表明,我们的方法在保持隐蔽性的同时,将攻击性能提升了 20%,凸显了其实际应用价值。
引用
@article{arxiv.2501.02232,
title = {Distillation-Enhanced Physical Adversarial Attacks},
author = {Wei Liu and Yonglin Wu and Chaoqun Li and Zhuodong Liu and Huanqian Yan},
journal= {arXiv preprint arXiv:2501.02232},
year = {2025}
}
备注
7 pages, 5 figures