面向光流网络对抗鲁棒性的理解
计算机视觉与模式识别
2022-06-16 v3
摘要
近期工作证明了光流网络对基于物理补丁的对抗攻击缺乏鲁棒性。能够物理攻击汽车系统的基本组件引起了严重关切。在本文中，我们分析了该问题的成因，并指出鲁棒性的缺乏根植于光流估计的经典孔径问题，以及网络架构细节中的不当选择。我们展示了如何纠正这些错误以使光流网络对基于物理补丁的攻击具有鲁棒性。此外，我们在光流范围内考察了全局白盒攻击。我们发现可以构造定向白盒攻击，使流估计模型偏置至任意期望输出，但这需要访问输入图像和模型权重。然而，在通用攻击的情形下，我们发现光流网络是鲁棒的。代码见 https://github.com/lmb-freiburg/understanding_flow_robustness。
引用
@article{arxiv.2103.16255,
title = {Towards Understanding Adversarial Robustness of Optical Flow Networks},
author = {Simon Schrodi and Tonmoy Saikia and Thomas Brox},
journal= {arXiv preprint arXiv:2103.16255},
year = {2022}
}
备注
CVPR 2022