跨不同架构与数据集的立体通用扰动
计算机视觉与模式识别
2022-03-29 v4 人工智能
机器学习
摘要
我们研究了图像对抗扰动对用于视差估计任务的深度立体匹配网络的影响。我们提出了一种生成单组扰动的方法，当将其加至数据集中任意立体图像对时，可欺骗立体网络显著改变所感知的场景几何。我们的扰动图像是“通用的”，因为它们不仅破坏其所优化网络在该数据集上的估计，还能泛化至在不同数据集上训练的不同架构。我们在多个基准数据集上评估了我们的方法，其中我们的扰动可将最先进立体网络的 D1-error（类似于欺骗率）从 1% 提升至高达 87%。我们考察了扰动对估计场景几何的影响，并识别出最易受损的目标类别。我们对左右图像间配准点激活值的分析使我们发现了可增强对抗鲁棒性的架构组件。通过仅用此类组件设计网络，可将对抗影响降低多达 60.5%，其效果可与通过昂贵对抗数据增强微调的网络之鲁棒性相媲美。我们的设计原则还将其对常见图像损坏的鲁棒性平均提升了 70%。
引用
@article{arxiv.2112.06116,
title = {Stereoscopic Universal Perturbations across Different Architectures and Datasets},
author = {Zachary Berger and Parth Agrawal and Tian Yu Liu and Stefano Soatto and Alex Wong},
journal= {arXiv preprint arXiv:2112.06116},
year = {2022}
}