针对物理世界攻击的单目深度估计自监督对抗训练
计算机视觉与模式识别
2024-06-21 v1
摘要
单目深度估计（MDE）在自动驾驶等应用中发挥着至关重要的作用。然而，各种攻击针对MDE模型，其中物理攻击对系统安全构成重大威胁。传统的对抗训练方法需要真实标签，不能直接应用于缺乏真实深度的MDE模型。一些自监督模型强化技术（例如对比学习）忽略了MDE的领域知识，导致性能次优。在这项工作中，我们引入了一种新颖的MDE模型自监督对抗训练方法，利用视图合成而无需真实深度。我们通过在训练过程中引入范数有界扰动来增强对真实世界攻击的对抗鲁棒性。我们针对专门为MDE设计的基于监督学习和基于对比学习的方法评估了我们的方法。我们在两个代表性MDE网络上的实验表明，我们的方法在最小影响良性性能的情况下，对各种对抗攻击具有改进的鲁棒性。
引用
@article{arxiv.2406.05857,
title = {Self-supervised Adversarial Training of Monocular Depth Estimation against Physical-World Attacks},
author = {Zhiyuan Cheng and Cheng Han and James Liang and Qifan Wang and Xiangyu Zhang and Dongfang Liu},
journal= {arXiv preprint arXiv:2406.05857},
year = {2024}
}
备注
Accepted in TPAMI'24. Extended from our ICLR'23 publication (arXiv:2301.13487). arXiv admin note: substantial text overlap with arXiv:2301.13487