基于深度候选区域模型的鲁棒对抗扰动
计算机视觉与模式识别
2019-11-05 v2
摘要
对抗噪声是探查基于深度学习的计算机视觉算法弱点的有用工具。本文提出一种鲁棒对抗扰动（R-AP）方法，用于攻击基于深度候选区域的目标检测器和实例分割算法。我们的方法聚焦于攻击这些算法中的公共组件，即区域候选网络（RPN），以黑盒方式普遍降低其性能。为此，我们设计了一个结合标签损失与一种新颖形状损失的损失函数，并使用基于梯度的迭代算法针对图像进行优化。在 MS COCO 2014 数据集上对 6 种最先进的目标检测器和 2 种实例分割算法进行了对抗攻击评估。实验结果证明了所提方法的有效性。
引用
@article{arxiv.1809.05962,
title = {Robust Adversarial Perturbation on Deep Proposal-based Models},
author = {Yuezun Li and Daniel Tian and Ming-Ching Chang and Xiao Bian and Siwei Lyu},
journal= {arXiv preprint arXiv:1809.05962},
year = {2019}
}
备注
To appear in BMVC 2018