RAUCA: 通过鲁棒且精确的伪装生成对车辆检测器的新型物理对抗攻击
计算机视觉与模式识别
2024-10-16 v2
摘要
对抗性伪装是一种广泛使用的针对车辆检测器的物理攻击，因其在多视角攻击性能上的优势。一种有前景的方法是使用可微神经渲染器通过梯度反向传播促进对抗性伪装优化。然而，现有方法在渲染过程中往往难以捕捉环境特征，或者生成的对抗纹理无法精确映射到目标车辆，导致攻击性能次优。此外，这些方法忽略了多样化的天气条件，降低了生成的伪装在不同天气场景下的有效性。为应对这些挑战，我们提出了一种鲁棒且精确的伪装生成方法，即RAUCA。RAUCA的核心是一个新颖的神经渲染组件——神经渲染器Plus（NRP），它可以精确投影车辆纹理并渲染具有光照和天气等环境特征的图像。此外，我们集成了一个多天气数据集用于伪装生成，利用NRP增强攻击鲁棒性。在六个流行目标检测器上的实验结果表明，RAUCA在仿真和真实环境中均持续优于现有方法。
引用
@article{arxiv.2402.15853,
title = {RAUCA: A Novel Physical Adversarial Attack on Vehicle Detectors via Robust and Accurate Camouflage Generation},
author = {Jiawei Zhou and Linye Lyu and Daojing He and Yu Li},
journal= {arXiv preprint arXiv:2402.15853},
year = {2024}
}
备注
12 pages. In Proceedings of the Forty-first International Conference on Machine Learning (ICML), Vienna, Austria, July 21-27, 2024