PB-UAP：面向图像分割的混合通用对抗攻击

随着深度学习的快速发展，模型鲁棒性已成为重要的研究热点，即对深度神经网络的对抗攻击。现有工作主要聚焦于图像分类任务，旨在改变模型的预测标签。由于输出复杂度较高和更深的网络架构，针对分割模型的对抗样本研究仍有限，尤其是针对通用对抗扰动。本文提出一种 novel 的通用对抗攻击方法，专为分割模型设计，包含双特征分离模块和低频散射模块。这两个模块分别指导对抗样本在像素空间和频率空间的训练。实验表明，我们的方法在攻击成功率上超过了最新方法，并在不同模型之间展现出强大的可迁移性。