面向图像与视频目标检测的迁移对抗攻击
计算机视觉与模式识别
2019-05-14 v5
摘要
对抗样本已被证明可威胁包括目标检测在内的许多计算机视觉任务。然而，现有的目标检测攻击方法存在两个局限：可迁移性差，即生成的对抗样本攻击其他种类检测方法成功率低；计算成本高，即生成一张对抗图像需要更长时间，因而难以处理视频数据。为解决这些问题，我们利用生成机制来获取对抗图像和视频，从而降低处理时间。为增强可迁移性，我们破坏从特征网络提取的特征图，而特征网络通常构成目标检测器的基础。所提方法基于生成对抗网络（GAN）框架，其中我们结合高层类别损失和低层特征损失来联合训练对抗样本生成器。在 PASCAL VOC 和 ImageNet VID 数据集上进行的一系列实验表明，我们的方法能高效生成图像和视频对抗样本，更重要的是，这些对抗样本具有更好的可迁移性，因此能够同时攻击两类代表性目标检测模型：基于候选框的模型（如 Faster-RCNN）和基于回归的模型（如 SSD）。
引用
@article{arxiv.1811.12641,
title = {Transferable Adversarial Attacks for Image and Video Object Detection},
author = {Xingxing Wei and Siyuan Liang and Ning Chen and Xiaochun Cao},
journal= {arXiv preprint arXiv:1811.12641},
year = {2019}
}
备注
IJCAI2019 oral