基于最优对抗补丁的单目深度估计物理攻击
计算机视觉与模式识别
2022-07-12 v1
摘要
深度学习大幅提升了单目深度估计（MDE）的性能，而MDE是基于纯视觉的自动驾驶（AD）系统（如特斯拉和丰田）中的关键组件。本工作中，我们开发了一种针对基于学习的MDE的攻击。具体而言，我们使用基于优化的方法系统性地生成隐蔽的面向物理对象的对抗补丁以攻击深度估计。我们通过面向对象的对敌设计、敏感区域定位和自然风格伪装来平衡攻击的隐蔽性与有效性。利用真实驾驶场景，我们在并发MDE模型及一个代表性的AD下游任务（即3D目标检测）上评估了我们的攻击。实验结果表明，我们的方法可为不同目标对象和模型生成隐蔽、有效且鲁棒的对抗补丁，并以占车辆后部面积1/9的补丁在目标检测中造成超过6米的平均深度估计误差和93%的攻击成功率（ASR）。在三条不同驾驶路线上使用真实车辆进行的现场测试表明，我们在连续视频帧中造成了超过6米的平均深度估计误差，并将目标检测率从90.70%降至5.16%。
引用
@article{arxiv.2207.04718,
title = {Physical Attack on Monocular Depth Estimation with Optimal Adversarial Patches},
author = {Zhiyuan Cheng and James Liang and Hongjun Choi and Guanhong Tao and Zhiwen Cao and Dongfang Liu and Xiangyu Zhang},
journal= {arXiv preprint arXiv:2207.04718},
year = {2022}
}
备注
ECCV2022