利用自由空间分割模型增强室内机器人导航对抗攻击的鲁棒性
计算机视觉与模式识别
2024-02-15 v1
摘要
室内机器人导航的探索依赖于分割模型在 RGB 图像中识别自由空间的准确性。然而，深度学习模型易受对抗攻击，这对其在真实世界的部署构成了重大挑战。在本研究中，我们识别了神经网络隐藏层中的脆弱性，并引入了一种实用方法来增强传统的对抗训练。我们的方法结合了一种新颖的距离损失函数，最小化干净图像和对抗图像中隐藏层之间的差距。实验表明，该方法在提高模型对抗对抗扰动的鲁棒性方面取得了令人满意的性能。
引用
@article{arxiv.2402.08763,
title = {Enhancing Robustness of Indoor Robotic Navigation with Free-Space Segmentation Models Against Adversarial Attacks},
author = {Qiyuan An and Christos Sevastopoulos and Fillia Makedon},
journal= {arXiv preprint arXiv:2402.08763},
year = {2024}
}
备注
Accepted to 2023 IEEE International Conference on Robotic Computing (IRC). arXiv admin note: text overlap with arXiv:2311.01966