单目深度估计器：脆弱性与攻击
计算机视觉与模式识别
2020-06-01 v1
摘要
神经网络的最新进展使得可靠的单目深度估计成为可能。单目深度估计技术在推理时仅需一张图像，因此优于传统深度估计技术。深度估计是机器人技术中的基本任务之一，单目深度估计在自动驾驶汽车和手术设备等安全关键应用中具有广泛应用。因此，此类技术的鲁棒性至关重要。近期研究表明，这些深度神经网络在分类、检测和分割等任务中极易受到对抗样本的攻击。这些对抗样本能彻底破坏系统的输出，使其在实时部署中的可信度受到质疑。本文研究了最先进的单目深度估计网络面对对抗攻击时的鲁棒性。实验表明，图像上肉眼不可见的微小扰动（扰动攻击）以及破坏不到约1%图像的斑块（补丁攻击）都能严重影响深度估计。我们引入了一种新颖的深度特征湮灭损失，它破坏隐藏特征空间表示，迫使网络解码器输出低质量的深度图。白盒和黑盒测试验证了所提攻击的有效性。我们还进行了对抗样本可迁移性测试，主要是跨数据集可迁移性测试。
引用
@article{arxiv.2005.14302,
title = {Monocular Depth Estimators: Vulnerabilities and Attacks},
author = {Alwyn Mathew and Aditya Prakash Patra and Jimson Mathew},
journal= {arXiv preprint arXiv:2005.14302},
year = {2020}
}