T-SEA：基于迁移的自集成目标检测攻击方法
计算机视觉与模式识别
2022-11-18 v1 人工智能
摘要
与基于查询的黑盒攻击相比，基于迁移的黑盒攻击不需要被攻击模型的任何信息，从而保证了其隐蔽性。然而，现有大多数基于迁移的方法依赖于集成多个模型来提升攻击迁移性，这既耗费时间和资源，更不必说在同一任务上获取多样化模型的困难。为克服这一局限，本文聚焦于单模型基于迁移的黑盒目标检测攻击，仅利用一个模型即可对多个黑盒检测器实现高迁移性的对抗攻击。具体而言，我们首先对现有方法的补丁优化过程进行观察，并通过轻微调整其训练策略提出一种增强的攻击框架。随后，我们将补丁优化类比于常规的模型优化，在输入数据、被攻击模型和对抗补丁上提出一系列自集成方法，以高效利用有限信息并防止补丁过拟合。实验结果表明，所提框架可结合多种经典基础攻击方法（如 PGD 和 MIM）使用，在多个主流检测器上大幅提升优化良好的补丁的黑盒迁移性，同时增强白盒性能。我们的代码已发布于 https://github.com/VDIGPKU/T-SEA。
引用
@article{arxiv.2211.09773,
title = {T-SEA: Transfer-based Self-Ensemble Attack on Object Detection},
author = {Hao Huang and Ziyan Chen and Huanran Chen and Yongtao Wang and Kevin Zhang},
journal= {arXiv preprint arXiv:2211.09773},
year = {2022}
}
备注
10 pages, 5 figures