用于改进语义分割对抗攻击的不确定性加权损失函数
计算机视觉与模式识别
2026-01-13 v1
摘要
最先进的深度神经网络已被证明在语义分割等多种感知任务中极为强大。然而，这些网络易受人类难以察觉但会导致错误预测的对抗扰动影响。将图像分割视为像素级分类之和，为分类模型开发的对抗攻击已被证明同样适用于分割模型。在本工作中，我们提出了简单的基于不确定性的此类攻击损失函数加权方案，其（i）对更易被扰动的像素分类赋予更高权重，（ii）将那些已被自信误分类像素对应的像素级损失置零。这些加权方案可轻松集成到一系列知名对抗攻击者的损失函数中，额外计算开销极小，但如我们在多个数据集和模型上的实证分析所展示的，显著提升了扰动性能。
引用
@article{arxiv.2310.17436,
title = {Uncertainty-weighted Loss Functions for Improved Adversarial Attacks on Semantic Segmentation},
author = {Kira Maag and Asja Fischer},
journal= {arXiv preprint arXiv:2310.17436},
year = {2026}
}