面向物理世界的端到端对抗学习
计算机视觉与模式识别
2025-01-17 v2 密码学与安全
摘要
传统的基于块的对抗攻击学习过程在数字域内进行，然后应用于物理域（例如通过打印贴纸），可能因对抗性块从数字域到物理域的有限可迁移性而导致性能下降。鉴于先前研究考虑使用投影仪在物理域应用对抗攻击，我们提出以下问题：可以在投影仪中完全在物理域内进行对抗学习（即块生成）吗？本文提出了Physical-domain Adversarial Patch Learning Augmentation (PAPLA) 框架，这是一个新颖的端到端 (E2E) 框架，通过投影仪将对抗学习从数字域转换为物理域。我们在多个场景中评估了PAPLA，包括受控实验室环境和真实户外环境，展示了其在确保攻击成功方面的能力。我们还分析了环境因素（如投影表面颜色、投影仪强度、环境光、距离以及目标物体相对于相机的角度）对投影块有效性的影响。最后，我们在真实户外环境中演示了针对停放的汽车和停车标志的攻击可行性。我们的结果表明，在特定条件下，物理域内的端到端对抗学习消除了可迁移性问题并确保目标检测规避。最后，我们提供了关于在物理域内应用对抗学习的挑战与机遇的见解，并解释了在何种情况下此方法比使用贴纸更有效。
引用
@article{arxiv.2501.08258,
title = {Towards an End-to-End (E2E) Adversarial Learning and Application in the Physical World},
author = {Dudi Biton and Jacob Shams and Satoru Koda and Asaf Shabtai and Yuval Elovici and Ben Nassi},
journal= {arXiv preprint arXiv:2501.08258},
year = {2025}
}