FSPGD：重新思考针对语义分割的黑盒攻击
计算机视觉与模式识别
2025-03-07 v2
摘要
可迁移性，即针对一个模型制作的对抗样本能够欺骗其他模型的能力，对于黑盒攻击至关重要。尽管针对语义分割的攻击方法取得了进展，但可迁移性仍然有限，降低了它们在现实世界应用中的有效性。为了解决这个问题，我们引入了特征相似性投影梯度下降（FSPGD）攻击，这是一种新颖的黑盒方法，旨在增强攻击性能和可迁移性。与依赖输出预测进行梯度计算的常规分割攻击不同，FSPGD从中间层特征计算梯度。具体来说，我们的方法引入了一个损失函数，通过比较干净图像和对抗样本之间的特征来针对局部信息，同时通过考虑对象之间的空间关系来破坏上下文信息。在Pascal VOC 2012和Cityscapes数据集上的实验表明，FSPGD实现了优越的可迁移性和攻击性能，建立了新的最先进基准。代码可在https://github.com/KU-AIVS/FSPGD获取。
引用
@article{arxiv.2502.01262,
title = {FSPGD: Rethinking Black-box Attacks on Semantic Segmentation},
author = {Eun-Sol Park and MiSo Park and Seung Park and Yong-Goo Shin},
journal= {arXiv preprint arXiv:2502.01262},
year = {2025}
}