针对视觉 AI 模型的动态掩码后门攻击：以蘑菇检测为例的案例研究
计算机视觉与模式识别
2026-01-28 v1
摘要
深度学习彻底改变了计算机视觉领域的众多任务，包括图像分类、图像分割和目标检测。然而，深度学习模型日益广泛的部署使其面临各种对抗攻击，包括后门攻击。本文提出了一种新颖的基于动态掩码的后门攻击方法，专门针对目标检测模型设计。我们利用数据集投毒技术嵌入恶意触发器，使得任何在此受损数据集上训练的模型都容易受到我们的后门攻击。我们特别关注蘑菇检测数据集，以展示此类攻击对关键现实领域构成的实用风险。我们的工作还强调了创建详细后门攻击场景的重要性，以说明与外包实践相关的重大风险。我们的方法利用近期强大的图像分割 AI 模型 SAM 创建掩码以进行动态触发器放置，引入了一种新颖且隐蔽的攻击方法。通过大量实验，我们表明，使用 YOLOv7 目标检测模型，我们复杂的攻击场景在干净数据上保持了高准确率，同时在投毒样本上实现了高攻击成功率。我们的方法超越了基于静态和一致模式的传统后门注入方法。我们的发现强调，迫切需要稳健的对策来保护深度学习模型免受这些不断演变的对抗威胁。
引用
@article{arxiv.2601.18845,
title = {Dynamic Mask-Based Backdoor Attack Against Vision AI Models: A Case Study on Mushroom Detection},
author = {Zeineb Dridi and Jihen Bennaceur and Amine Ben Hassouna},
journal= {arXiv preprint arXiv:2601.18845},
year = {2026}
}