SSAP：一种用于全面干扰自主导航应用中单目深度估计的形状敏感对抗补丁
计算机视觉与模式识别
2024-08-06 v2 机器人学
摘要
单目深度估计（Monocular Depth Estimation, MDE）已取得显著进展，主要通过卷积神经网络（CNN）以及最近的 Transformer 的集成。然而，对其易受对抗攻击的担忧已经出现，尤其是在自动驾驶和机器人导航等安全关键领域。现有的评估基于 CNN 的深度预测方法在引发对视觉系统的全面干扰方面存在不足，往往局限于特定局部区域。本文中，我们引入 SSAP（Shape-Sensitive Adversarial Patch，形状敏感对抗补丁），这是一种旨在全面干扰自主导航应用中单目深度估计（MDE）的新方法。我们的补丁被精心设计，以两种不同方式选择性地破坏 MDE：通过扭曲估计距离，或制造物体从系统视角消失的错觉。值得注意的是，我们的补丁是形状敏感的，这意味着它考虑了目标物体的具体形状和尺度，从而将其影响扩展到紧邻区域之外。此外，我们的补丁经过训练，能有效应对与相机不同的尺度和距离。实验结果表明，对于基于 CNN 的 MDE 模型，我们的方法引发的平均深度估计误差超过 0.5，影响高达 99% 的目标区域。此外，我们研究了基于 Transformer 的 MDE 模型对基于补丁攻击的脆弱性，揭示 SSAP 在这些模型上产生 0.59 的显著误差，并对 99% 以上的目标区域施加了实质性影响。
引用
@article{arxiv.2403.11515,
title = {SSAP: A Shape-Sensitive Adversarial Patch for Comprehensive Disruption of Monocular Depth Estimation in Autonomous Navigation Applications},
author = {Amira Guesmi and Muhammad Abdullah Hanif and Ihsen Alouani and Bassem Ouni and Muhammad Shafique},
journal= {arXiv preprint arXiv:2403.11515},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2303.01351