PBCAT:基于补丁的复合对抗训练以抵御针对目标检测的可物理实现攻击

目标检测在许多安全敏感型应用中扮演着至关重要的角色。然而,近期多项研究表明,目标检测器容易被可物理实现的攻击所欺骗,例如对抗补丁以及近期的对抗纹理,这些攻击构成了现实且紧迫的威胁。对抗训练(AT)已被公认为抵御对抗攻击的最有效手段。虽然 AT 在分类模型的 $l_\infty$ 攻击设定下已被广泛研究,但针对目标检测器抵御可物理实现攻击的 AT 仍鲜有探索。早期的尝试仅局限于防御对抗补丁,使得针对更广泛可物理实现攻击的 AT 仍未得到充分研究。在本文中,我们考虑使用统一的 AT 方法来防御各种可物理实现攻击。我们提出了 PBCAT,一种新颖的基于补丁的复合对抗训练策略。PBCAT 通过结合小面积的梯度引导对抗补丁与覆盖整幅图像的不可察觉全局对抗扰动来优化模型。借助这些设计,PBCAT 不仅有望防御对抗补丁,还能防御诸如对抗纹理等未见过的可物理实现攻击。在多种设定下的大量实验表明,PBCAT 在抵御各种可物理实现攻击方面显著优于 state-of-the-art 的防御方法。值得注意的是,在一种近期提出的对抗纹理攻击下,PBCAT 将检测精度较以往防御方法提升了 29.7\%。