DTA：基于可微变换网络的物理伪装攻击
计算机视觉与模式识别
2022-03-21 v1
摘要
为了在物理世界中实施对抗攻击，许多研究提出了对抗伪装，即通过在平面物体表面施加伪装图案来隐藏目标物体的方法。为了获得最优的物理对抗伪装，以往研究利用了所谓神经渲染器，因为它支持可微性。然而，与传统的照片级真实感渲染器相比，由于缺乏对场景参数的控制，现有神经渲染器无法充分表示各种真实世界变换。本文提出可微变换攻击（DTA），一种在目标物体上生成鲁棒物理对抗图案以针对广泛变换下的目标检测模型进行伪装的框架。它利用我们新颖的可微变换网络（DTN），该网络在学习渲染物体预期变换的同时保持目标物体的原始属性，当纹理改变时。使用我们的攻击框架，攻击者可以同时获得传统照片级真实感渲染器（包括各种物理世界变换）的优势以及通过提供可微性带来的白盒访问好处。我们的实验表明，我们的伪装3D车辆能在照片级真实感环境（即Unreal Engine上的CARLA）中成功规避最先进的目标检测模型。此外，我们在缩比Tesla Model 3上的演示证明了我们的方法在现实世界中的适用性和可迁移性。
引用
@article{arxiv.2203.09831,
title = {DTA: Physical Camouflage Attacks using Differentiable Transformation Network},
author = {Naufal Suryanto and Yongsu Kim and Hyoeun Kang and Harashta Tatimma Larasati and Youngyeo Yun and Thi-Thu-Huong Le and Hunmin Yang and Se-Yoon Oh and Howon Kim},
journal= {arXiv preprint arXiv:2203.09831},
year = {2022}
}
备注
Accepted for CVPR 2022