面向单目深度预测的有目标对抗扰动
计算机视觉与模式识别
2020-12-10 v2
摘要
我们研究了对抗扰动对单目深度预测任务的影响。具体而言，我们探究了微小的、不可感知的加性扰动选择性地改变场景感知几何的能力。我们表明，此类扰动不仅可以全局地重新缩放从相机预测的距离，还可以改变预测以匹配不同的目标场景。我们还表明，当给定语义或实例信息时，扰动可以欺骗网络改变场景中特定类别或实例的深度，甚至在不保留其余场景的情况下将其移除。为了理解有目标扰动的效果，我们在最先进的单目深度预测方法上进行了实验。我们的实验揭示了单目深度预测网络中的漏洞，并阐明了它们学习到的偏差与上下文。
引用
@article{arxiv.2006.08602,
title = {Targeted Adversarial Perturbations for Monocular Depth Prediction},
author = {Alex Wong and Safa Cicek and Stefano Soatto},
journal= {arXiv preprint arXiv:2006.08602},
year = {2020}
}