对抗性补丁在实时目标检测中的网络可迁移性

计算机视觉中的对抗性补丁可用于欺骗深度神经网络并操控其决策过程。对抗性补丁的最突出示例是目标检测器的规避攻击。通过覆盖感兴趣对象的部分区域，这些补丁抑制检测，从而使目标对象对目标检测器“不可见”。由于这些补丁通常是在特定网络和特定训练数据集上优化的，因此跨多个网络和数据集的可迁移性并不存在。本文针对上述问题进行了研究，探讨了跨多个目标检测器架构的可迁移性。我们的在各种模型上针对两个不同数据集的广泛评估表明，优化较大模型的补丁比优化较小模型的补丁提供更好的网络可迁移性。