超越标准基准的交通标志分类器对抗攻击评估
计算机视觉与模式识别
2024-12-13 v1 机器学习
摘要
交通标志分类模型的对抗攻击最初成功地在现实世界中被尝试。此后，该领域的研究主要局限于重复使用基准模型（如 LISA-CNN 或 GTSRB-CNN）以及类似的实验设置，包括白色和黑色斑块。本文将模型架构与数据集分离，评估更通用的模型以进行公平比较。此外，我们比较了两种攻击设置，即隐形攻击和可见攻击，这两种设置通常被视为没有直接比较。我们的结果表明，像 LISA-CNN 或 GTSRB-CNN 这样的标准基准模型比通用模型更容易受到攻击。因此，我们建议在未来的研究中对新攻击在更广泛的基准范围内进行评估。我们的代码已在 \url{https://github.com/KASTEL-MobilityLab/attacks-on-traffic-sign-recognition/} 上提供。
引用
@article{arxiv.2412.09150,
title = {Evaluating Adversarial Attacks on Traffic Sign Classifiers beyond Standard Baselines},
author = {Svetlana Pavlitska and Leopold Müller and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2412.09150},
year = {2024}
}
备注
Accepted for publication at ICMLA 2024