立体视觉失认：用对抗扰动欺骗立体网络
计算机视觉与模式识别
2021-03-29 v3 机器学习
摘要
我们研究了为立体视觉训练的深度学习模型所得视差估计受图像对抗扰动的影响。我们表明，难以察觉的加性扰动可显著改变视差图，并相应地改变场景被感知的几何结构。这些扰动不仅影响其所针对的特定模型，还能迁移到具有不同架构、用不同损失函数训练的模型。我们表明，当用于对抗数据增强时，我们的扰动使得训练出的模型更鲁棒，且不牺牲模型的总体准确率。这与图像分类中所观察到的不同，在图像分类中，将扰动图像加入训练集会使模型更不易受对抗扰动影响，但会以总体准确率为代价。我们使用最新的立体网络测试了我们的方法，并在公开基准数据集上评估了它们的性能。
引用
@article{arxiv.2009.10142,
title = {Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations},
author = {Alex Wong and Mukund Mundhra and Stefano Soatto},
journal= {arXiv preprint arXiv:2009.10142},
year = {2021}
}