使用LISA数据集评估对抗攻击对交通标志分类的影响
计算机视觉与模式识别
2025-09-09 v1
摘要
对抗攻击通过引入精心设计的扰动导致错误分类，对机器学习模型构成重大威胁。虽然先前的工作主要集中在MNIST及类似数据集上，但本文使用LISA交通标志数据集研究了交通标志分类器的脆弱性。我们训练了一个卷积神经网络来对47种不同的交通标志进行分类，并评估了其对快速梯度符号法（FGSM）和投影梯度下降（PGD）攻击的鲁棒性。我们的结果显示，随着扰动幅度的增加，分类准确率急剧下降，突显了模型对对抗样本的敏感性。这项研究为未来探索针对现实世界交通标志识别系统的防御机制奠定了基础。
引用
@article{arxiv.2509.06835,
title = {Evaluating the Impact of Adversarial Attacks on Traffic Sign Classification using the LISA Dataset},
author = {Nabeyou Tadessa and Balaji Iyangar and Mashrur Chowdhury},
journal= {arXiv preprint arXiv:2509.06835},
year = {2025}
}