自动驾驶中语义分割网络对对抗攻击的脆弱性：增强广泛环境感知
计算机视觉与模式识别
2021-02-03 v2
摘要
实现自动驾驶（AD）可视为当今技术的最大挑战之一。AD 是一项由多种功能共同完成的复杂任务，其中环境感知是其核心功能之一。环境感知通常通过结合多个传感器（即激光雷达或相机）捕获的语义信息来完成。相应传感器的语义信息可通过使用卷积神经网络（CNNs）进行稠密预测来提取。过去，CNNs 在若干视觉相关任务上持续展现出最先进（SOTA）性能，例如仅使用相机提供的红-绿-蓝（RGB）图像对交通场景进行语义分割。尽管 CNNs 在干净图像上获得 SOTA 性能，但对输入几乎难以察觉的改动（称为对抗扰动）可能导致致命误导。本文旨在阐明用于语义分割的 CNNs 相对于对抗攻击的脆弱性方面，并分享对一些现有已知对抗防御策略的见解。我们旨在厘清在 AD 中将 CNNs 用于环境感知的优缺点，以作为该领域未来研究的动机。
引用
@article{arxiv.2101.03924,
title = {The Vulnerability of Semantic Segmentation Networks to Adversarial Attacks in Autonomous Driving: Enhancing Extensive Environment Sensing},
author = {Andreas Bär and Jonas Löhdefink and Nikhil Kapoor and Serin J. Varghese and Fabian Hüger and Peter Schlicht and Tim Fingscheidt},
journal= {arXiv preprint arXiv:2101.03924},
year = {2021}
}
备注
IEEE Signal Processing Magazine (Volume: 38, Issue: 1, Jan. 2021), pp. 42 - 52