基于深度学习车道保持系统在物理世界对抗攻击下的安全性
密码学与安全
2020-03-05 v1 计算机视觉与模式识别
机器学习
摘要
车道保持辅助系统（LKAS）如今便捷且广泛应用，但同时也极其关乎安全与安保。本工作中，我们设计并实现了首个针对真实世界基于 DNN 的 LKAS 的系统性攻击方法。我们将脏污路面斑块识别为一种新颖且具领域特异性的威胁模型，以兼顾实用性与隐蔽性。我们将攻击表述为一个优化问题，并解决了连续相机帧上攻击相互依赖所带来的挑战。我们在一最先进 LKAS 上评估了该方法，初步结果表明，我们的攻击可成功使其在短至 1.3 秒内驶离车道边界。
引用
@article{arxiv.2003.01782,
title = {Security of Deep Learning based Lane Keeping System under Physical-World Adversarial Attack},
author = {Takami Sato and Junjie Shen and Ningfei Wang and Yunhan Jack Jia and Xue Lin and Qi Alfred Chen},
journal= {arXiv preprint arXiv:2003.01782},
year = {2020}
}
备注
Project page: https://sites.google.com/view/lane-keeping-adv-attack/