真实世界中面向目标检测的鲁棒后门攻击
计算机视觉与模式识别
2023-09-19 v1
摘要
深度学习模型被广泛部署于诸多应用，例如各类安全领域的目标检测。然而，这些模型易受后门攻击。大多数后门攻击在分类模型上被深入研究，但在目标检测上甚少。先前工作主要关注数字世界中的后门攻击，而忽视真实世界。尤其，真实世界中后门攻击的效果易受热距离与光照等物理因素干扰。本文中，我们提出一种可变尺寸后门触发器以适应被攻击物体的不同大小，克服视点与攻击对象间距离造成的扰动。此外，我们提出名为恶意对抗训练的后门训练，使后门目标检测器学习带物理噪声的触发器特征。实验结果表明，该鲁棒后门攻击（RBA）可提升真实世界中的攻击成功率。
引用
@article{arxiv.2309.08953,
title = {Robust Backdoor Attacks on Object Detection in Real World},
author = {Yaguan Qian and Boyuan Ji and Shuke He and Shenhui Huang and Xiang Ling and Bin Wang and Wei Wang},
journal= {arXiv preprint arXiv:2309.08953},
year = {2023}
}
备注
22 pages, 13figures