面向 3D 稀疏卷积网络的动态感知对抗攻击
计算机视觉与模式识别
2023-01-24 v2
摘要
本文中，我们研究深度神经网络中的动态感知对抗攻击问题。大多数现有对抗攻击算法基于一个基本假设——网络架构在整个攻击过程中是固定的。然而，该假设对许多近期提出的网络并不成立，例如 3D 稀疏卷积网络，其包含输入依赖的执行以提升计算效率。这导致了严重的滞后梯度问题，使得当前步学到的攻击因后续架构变化而失效。为解决该问题，我们提出一种先导梯度方法（LGM），并展示了滞后梯度的显著影响。更具体地，我们重新构造梯度以感知网络架构潜在的动态变化，从而使得学到的攻击在架构动态变化时比动态无感知方法更好地“先导”下一步。在多个数据集上的大量实验表明，我们的 LGM 在语义分割和分类上取得了令人印象深刻的性能。与动态无感知方法相比，LGM 在 ScanNet 和 S3DIS 数据集上平均降低了约 20% 的 mIoU。LGM 也优于近期的点云攻击方法。
引用
@article{arxiv.2112.09428,
title = {Dynamics-aware Adversarial Attack of 3D Sparse Convolution Network},
author = {An Tao and Yueqi Duan and He Wang and Ziyi Wu and Pengliang Ji and Haowen Sun and Jie Zhou and Jiwen Lu},
journal= {arXiv preprint arXiv:2112.09428},
year = {2023}
}
备注
We have improved the quality of this work and updated a new version to address the limitations of the proposed method