ScAR：提升 LiDAR 目标检测的对抗鲁棒性
计算机视觉与模式识别
2024-03-06 v2
摘要
模型的对抗鲁棒性是指其抵抗以输入数据微小扰动形式出现的对抗攻击的能力。诸如快速符号梯度法 (FSGM) 和投影梯度下降 (PGD) 等通用对抗攻击方法在 LiDAR 目标检测中很流行，但与特定任务的对抗攻击相比，它们通常存在不足。此外，这些通用方法通常需要不受限制地访问模型信息，这在实际应用中很难获得。为了解决这些局限性，我们提出了一种用于 LiDAR 目标检测的黑盒缩放对抗鲁棒性 方法。通过分析 KITTI、Waymo 和 nuScenes 等 3D 目标检测数据集的统计特征，我们发现模型的预测对 3D 实例的缩放很敏感。我们根据可用信息提出了三种黑盒缩放对抗攻击方法：模型感知攻击、分布感知攻击和盲攻击。我们还引入了一种生成缩放对抗样本的策略，以提高模型对这三种缩放对抗攻击的鲁棒性。在不同 3D 目标检测架构下与公共数据集上其他方法的比较，证明了我们提出方法的有效性。我们的代码可在 https://github.com/xiaohulugo/ScAR-IROS2023 获取。
关键词
引用
@article{arxiv.2312.03085,
title = {ScAR: Scaling Adversarial Robustness for LiDAR Object Detection},
author = {Xiaohu Lu and Hayder Radha},
journal= {arXiv preprint arXiv:2312.03085},
year = {2024}
}