阴影并非如此危险：一种快速且鲁棒的针对基于阴影的对抗攻击的防御

鲁棒分类在自动驾驶车辆标志识别等任务中至关重要，因为误分类的后果可能极为严重。对抗攻击威胁着神经网络分类器的鲁棒性，使其持续且自信地误识道路标志。其中一类攻击——基于阴影的攻击——通过对输入图像施加自然外观的阴影导致误识， resulting in road signs that appear natural to a human observer but confusing for these classifiers。当前针对此类攻击的防御采用简单的对抗训练流程，在GTSRB和LISA测试集上分别仅达到相当低的25%和40%鲁棒性。本文提出一种鲁棒、快速且可泛化的方法，旨在防御道路标志识别场景中的阴影攻击，该方法利用二值自适应阈值与边缘图对源图像进行增强。我们从经验上展示了其针对阴影攻击的鲁棒性，并重新表述该问题以表明其与基于$\varepsilon$扰动的攻击的相似性。实验结果表明，我们的边缘防御在GTSRB测试集上实现了78%的鲁棒性，同时保持98%的良性测试准确率，阈值防御也取得类似结果。代码链接见论文。