面具触发生成网络用于对象检测的后门攻击

对象检测器广泛应用于实际应用中，因而易受到后门攻击的威胁。这种漏洞源于许多用户因数据和资源限制，依赖第三方提供的数据集或预训练模型。然而，大多数关于后门攻击的研究集中于图像分类，对对象检测的探索有限。此外，现有大多数对象检测后门攻击的触发器是手动生成的，需要先验知识且在训练和推理阶段需要保持一致的模式。这种方法使得攻击要么容易被检测，要么难以适应各种场景。为克服这些限制，我们提出了频域中的双面触发生成网络，用于生成不可见的触发器以在训练期间植入隐蔽后门，以及可见触发器以在推理期间稳定激活，从而使攻击过程难以追踪。具体而言，对于不可见触发器生成网络，我们部署了高斯平滑层和高频伪影分类器，以增强对象检测器中后门植入的隐蔽性。对于可见触发器生成网络，我们设计了一种新颖的对齐损失，以优化可见触发器，使其与原始模式不同，但仍与不可见触发器的恶意激活行为保持一致。大量实验结果和分析表明，在训练阶段使用不同触发器与推理阶段的可能性，并展示了我们提出的可见触发器和不可见触发器生成网络的攻击效果，分别将YOLOv5和YOLOv7的对象检测器的mAP_0.5降低了70.0%和84.5%。