TranSegPGD：提升语义分割上对抗样本的迁移性
计算机视觉与模式识别
2023-12-06 v1
摘要
图像分类上对抗样本的迁移性已被系统探索，其以黑盒模式生成对抗样本。然而，语义分割上对抗样本的迁移性在很大程度上被忽视。在本文中，我们提出了一种有效的两阶段对抗攻击策略，以提升语义分割上对抗样本的迁移性，称为 TranSegPGD。具体而言，在第一阶段，根据对抗属性将输入图像中的每个像素划分到不同的分支。为不同的分支分配不同的权重进行优化，以提高所有像素的对抗性能。我们为难以攻击的像素的损失分配高权重，以实现对所有像素的误分类。在第二阶段，根据依赖于 Kullback-Leibler 散度的可迁移属性将像素划分到不同的分支。为不同的分支分配不同的权重进行优化，以提升对抗样本的迁移性。我们为高迁移性像素的损失分配高权重，以提高对抗样本的迁移性。在 PASCAL VOC 2012 和 Cityscapes 数据集上使用各种分割模型进行了大量实验，以证明所提方法的有效性。所提出的对抗攻击方法能够达到 SOTA 性能。
关键词
引用
@article{arxiv.2312.02207,
title = {TranSegPGD: Improving Transferability of Adversarial Examples on Semantic Segmentation},
author = {Xiaojun Jia and Jindong Gu and Yihao Huang and Simeng Qin and Qing Guo and Yang Liu and Xiaochun Cao},
journal= {arXiv preprint arXiv:2312.02207},
year = {2023}
}