关于利用对抗性贴纸攻击目标检测器的注记

深度学习已被证明是计算机视觉的强大工具，并已被广泛采用用于众多任务。然而，众所周知深度学习算法易受对抗样本攻击。这些对抗性输入被构造为当提供给深度学习算法时，它们极有可能被错误标注。当深度学习被用于辅助安全关键决策时，这可能成为问题。近期研究表明，分类器可在各种物理条件下受到物理对抗样本攻击。鉴于最先进的目标检测算法更难被同一组对抗样本欺骗，我们在此展示这些检测器同样可受到物理对抗样本攻击。在本注记中，我们简要展示了静态与动态测试结果。我们设计了一种生成物理对抗输入的算法，其可欺骗 YOLO 目标检测器，并基于可迁移性以相对较高成功率攻击 Faster-RCNN。此外，我们的算法可将对抗输入压缩为贴纸大小，当贴附于目标物体时，导致检测器在很高比例的时间内错误标注或无法检测该物体。本注记提供了一小组结果。我们即将发表的论文将包含对其他目标检测器的彻底评估，并将呈现该算法。