针对自动驾驶中单目深度估计的物理 3D 对抗攻击
计算机视觉与模式识别
2024-03-28 v2 密码学与安全
摘要
基于深度学习的单目深度估计（MDE）广泛应用于自动驾驶，但已知其易受对抗攻击。以往针对 MDE 模型的物理攻击依赖于 2D 对抗补丁，因此它们只影响 MDE 图中一个小的局部区域，并且在各种视角下失效。为了解决这些局限性，我们提出了 3D Depth Fool (3DFool)，这是首个针对 MDE 模型的基于 3D 纹理的对抗攻击。3DFool 经过专门优化，能够生成与车辆模型类型无关的 3D 对抗纹理，并在雨雾等恶劣天气条件下具有更强的鲁棒性。实验结果验证了我们的 3DFool 在各种场景下的优越性能，包括不同的车辆、MDE 模型、天气条件和视角。在物理车辆模型上使用打印的 3D 纹理进行的真实世界实验进一步证明，我们的 3DFool 可以造成超过 10 米的 MDE 误差。
引用
@article{arxiv.2403.17301,
title = {Physical 3D Adversarial Attacks against Monocular Depth Estimation in Autonomous Driving},
author = {Junhao Zheng and Chenhao Lin and Jiahao Sun and Zhengyu Zhao and Qian Li and Chao Shen},
journal= {arXiv preprint arXiv:2403.17301},
year = {2024}
}
备注
Accepted by CVPR 2024