NumbOD：针对目标检测器的空间-频率融合攻击
计算机视觉与模式识别
2024-12-24 v1
摘要
随着深度学习的发展，各种体系结构的对象检测器 (ODs) 在复杂场景（如自动驾驶）中取得了显著成就。以往针对 ODs 的对抗攻击主要聚焦于设计针对其特定结构（如 NMS 和 RPN）的定制化攻击，虽取得了一些结果，但同时限制了其可扩展性。此外，大多数针对 ODs 的工作源自最初为分类任务设计的图像级攻击，导致计算冗余并在与目标无关的区域（如背景）产生干扰。因此，如何设计一种面向 ODs 的模型无关且高效的攻击，以全面评估其漏洞，仍是一个具有挑战性且尚未解决的问题。本文提出了 NumbOD，这是一种全新的针对各种 ODs 的空间-频率融合攻击，旨在扰乱图像中的目标检测。我们直接利用 ODs 的输出特征，而无需依赖其内部结构来构建对抗样本。具体而言，我们首先设计了双轨攻击目标选择策略，从 ODs 输出中选择高质量的边界框以进行目标定位。随后，我们采用方向扰动来移动和压缩预测框并改变分类结果以欺骗 ODs。此外，我们关注操作图像的高频分量，以混淆 ODs 对关键目标的注意力，从而提高攻击效率。我们的在九个 ODs 和两个数据集上的大量实验表明，NumbOD 具有强大的攻击性能和高隐身性。
引用
@article{arxiv.2412.16955,
title = {NumbOD: A Spatial-Frequency Fusion Attack Against Object Detectors},
author = {Ziqi Zhou and Bowen Li and Yufei Song and Zhifei Yu and Shengshan Hu and Wei Wan and Leo Yu Zhang and Dezhong Yao and Hai Jin},
journal= {arXiv preprint arXiv:2412.16955},
year = {2024}
}
备注
Accepted by AAAI 2025