针对检测器的相关性攻击
计算机视觉与模式识别
2021-11-24 v4 密码学与安全
机器学习
摘要
本文关注于对检测器的高可迁移对抗攻击。由于其多输出特性及架构间的多样性,检测器难以以黑盒方式被攻击。为追求高攻击可迁移性,一种合理途径是寻找跨检测器的共同属性,从而有助于发现共同弱点。我们首次提出,检测器解释器的相关性图即为这样一种属性。基于此,我们设计了针对检测器的相关性攻击(RAD),其实现了最先进的可迁移性,超出已有结果 20% 以上。在 MS COCO 上,全部 8 种黑盒架构的检测 mAP 均被削减过半,分割 mAP 也受到显著影响。鉴于 RAD 的强可迁移性,我们生成了首个面向目标检测与实例分割的对抗数据集,即 Adversarial Objects in COntext (AOCO),其有助于快速评估并提升检测器的鲁棒性。
引用
@article{arxiv.2008.06822,
title = {Relevance Attack on Detectors},
author = {Sizhe Chen and Fan He and Xiaolin Huang and Kun Zhang},
journal= {arXiv preprint arXiv:2008.06822},
year = {2021}
}
备注
accepted by Pattern Recognition