TsallisPGD：用于语义分割对抗攻击的自适应梯度加权
计算机视觉与模式识别
2026-05-06 v1 机器学习
摘要
攻击语义分割模型比图像分类模型更具挑战性，因为攻击者必须同时翻转数千个像素预测。标准的像素级交叉熵 (CE) 不适用于此场景：它倾向于过度强调已错误分类的像素，这会减慢优化速度并夸大模型鲁棒性。为解决这些问题，我们引入了 TsallisPGD，这是一种基于 Tsallis 交叉熵的对抗攻击方法，该方法是 CE 的一种以 为参数的推广，通过控制像素上的梯度集中度来自适应地重塑梯度景观。通过变化 ，我们引导攻击针对不同置信水平的像素。我们首先表明，没有单个固定的 是通用最优的，因为其有效性取决于数据集、模型架构和扰动预算。基于此，我们提出了一个在优化过程中扫描 的动态 计划。广泛的实验在 Cityscapes、Pascal VOC 和 ADE20K 上表明，TsallisPGD 使用单个验证选定的计划，可在所有评估设置下获得最佳平均攻击排名，并在降低 Cityscapes、Pascal VOC 和 ADE20K 上的准确率和 mIoU 方面优于 CEPGD、SegPGD、CosPGD、JSPGD 和 MaskedPGD。
关键词
引用
@article{arxiv.2605.03405,
title = {TsallisPGD: Adaptive Gradient Weighting for Adversarial Attacks on Semantic Segmentation},
author = {Alexander Matyasko and Xin Lou and Indriyati Atmosukarto and Wei Zhang},
journal= {arXiv preprint arXiv:2605.03405},
year = {2026}
}
备注
Accepted to IJCNN 2026. Code: https://github.com/aam-at/tsallis_pgd