利用多目标场景中的局部块差异进行生成对抗攻击
计算机视觉与模式识别
2022-10-05 v2
摘要
针对图像分类器的最先进基于生成模型的攻击绝大多数聚焦于单目标（即单一主导物体）图像。与此类设定不同，我们解决一个更实际的问题：使用多目标（即多个主导物体）图像生成对抗扰动，因为它们代表了大多数真实世界场景。我们的目标是设计一种攻击策略，能够利用此类自然场景中固有的局部块差异（例如交通场景中物体“人”与物体“自行车”上局部块之间的差异）进行学习。我们的核心思路是通过混淆受害分类器对图像中每个局部块的判断，使对抗性多目标图像被误分类。基于此，我们提出一种新颖的生成攻击（称为局部块差异或LPD-Attack），其中新颖的对比损失函数利用前述多目标场景特征空间中的局部差异来优化扰动生成器。通过在多种受害卷积神经网络上的大量实验，我们表明我们的方法在白盒与黑盒不同设定下评估时，以高度可迁移的扰动优于基线生成攻击。
引用
@article{arxiv.2209.09883,
title = {Leveraging Local Patch Differences in Multi-Object Scenes for Generative Adversarial Attacks},
author = {Abhishek Aich and Shasha Li and Chengyu Song and M. Salman Asif and Srikanth V. Krishnamurthy and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2209.09883},
year = {2022}
}
备注
Accepted at WACV 2023 (Round 1), camera-ready version