学习用于目标检测器的涂覆式对抗伪装
计算机视觉与模式识别
2022-05-17 v3
摘要
攻击者可通过生成对抗噪声来欺骗深度神经网络目标检测器。现有大多数工作聚焦于以对抗“补丁”方式学习局部可见噪声。然而，附着于三维物体上的二维补丁随着视角变化往往不可避免地出现攻击性能下降。为弥补该问题，本文提出涂覆式对抗伪装（Coated Adversarial Camouflage, CAC）以在任意视角下攻击检测器。与在二维空间中训练的补丁不同，我们的伪装由概念上不同的训练框架生成，该框架包含三维渲染与密集候选框攻击。具体而言，我们使伪装根据物体的姿态变化执行三维空间变换。基于多视角渲染结果，固定区域提议网络的前 n 个候选框，并同时攻击固定密集候选框中的所有分类以输出错误。此外，我们构建了虚拟三维场景以公平且可复现地评估不同攻击。大量实验证明了 CAC 相对于现有攻击的优越性，并且其在虚拟场景与真实世界中均展现出令人印象深刻的性能。这对安全关键的计算机视觉系统构成了潜在威胁。
引用
@article{arxiv.2109.00124,
title = {Learning Coated Adversarial Camouflages for Object Detectors},
author = {Yexin Duan and Jialin Chen and Xingyu Zhou and Junhua Zou and Zhengyun He and Jin Zhang and Wu Zhang and Zhisong Pan},
journal= {arXiv preprint arXiv:2109.00124},
year = {2022}
}