面向无人机目标检测的环境匹配攻击
计算机视觉与模式识别
2024-05-14 v1 人工智能
摘要
无人机(UAVs)目标检测技术依赖深度神经网络(DNNs)，而这些网络易受到对抗攻击。然而，现有算法生成的对抗性 patches 在 UAV 领域几乎不考虑对抗性 patches 的自然性。此外，对对抗性 patches 施加约束会导致难以生成既自然又能实现高攻击成功率的 patches。我们注意到，当 patches 的整体颜色与环境一致时，patches 看起来更自然。因此，我们提出了一种名为环境匹配攻击(EMA)的新方法，以解决在颜色约束下优化对抗性 patches 的问题。到目前为止，本文是首次在 UAV 领域考虑自然 patches。EMA 方法利用预训练的稳定扩散的强先验知识指导对抗性 patches 的优化方向，其中文本引导可限制 patches 的颜色。为更好地匹配环境，适当调整 patches 的对比度和亮度。与其优化对抗性 patches 本身，不如优化初始化为零的对抗性扰动 patches，以便模型更好地在攻击性能和自然性之间进行权衡。在 DroneVehicle 和 Carpk 数据集上的实验表明，我们的工作在数字攻击下几乎达到相同的攻击性能(mAP% ≤ 2)，在物理特定场景中超越基线方法，在可视化和与环境颜色差异方面展现出显著优势。
引用
@article{arxiv.2405.07595,
title = {Environmental Matching Attack Against Unmanned Aerial Vehicles Object Detection},
author = {Dehong Kong and Siyuan Liang and Wenqi Ren},
journal= {arXiv preprint arXiv:2405.07595},
year = {2024}
}