VISAT：基于视觉属性评估交通标志鲁棒性的对抗性与分布迁移基准
密码学与安全
2025-11-03 v1 人工智能
机器学习
摘要
我们提出了 VISAT，一个用于评估交通标志识别模型鲁棒性的新型开放数据集和基准测试套件，侧重视觉属性的考量。该数据集基于 Mapillary Traffic Sign Dataset（MTSD）构建，引入两个基准分别强调对抗攻击和分布迁移的鲁棒性。对于对抗攻击基准，我们采用最先进的投射梯度下降（PGD）方法生成对抗输入，并评估其对流行模型的影响。此外，我们研究了对抗攻击对属性特定的多任务学习（MTL）网络的影响，揭示了 MTL 任务之间的虚假相关性。MTL 网络利用我们为每个交通标志创建的视觉属性（颜色、形状、符号和文本）进行处理。对于分布迁移基准，我们利用 ImageNet-C 的真实数据损坏和自然变异技术，对基本模型和 MTL 模型进行鲁棒性评估。此外，我们进一步通过使用颜色量化技术对交通标志颜色进行合成修改，探索 MTL 任务之间的虚假相关性。我们的实验主要针对两个主要骨干网络——ResNet-152 和 ViT-B/32，比较基本模型与 MTL 模型之间的性能。VISAT 数据集和基准框架有助于理解交通标志识别中模型鲁棒性的挑战，为自动驾驶和网络-物理系统的实际应用开发更鲁棒的模型提供了动力。
引用
@article{arxiv.2510.26833,
title = {VISAT: Benchmarking Adversarial and Distribution Shift Robustness in Traffic Sign Recognition with Visual Attributes},
author = {Simon Yu and Peilin Yu and Hongbo Zheng and Huajie Shao and Han Zhao and Lui Sha},
journal= {arXiv preprint arXiv:2510.26833},
year = {2025}
}