ShapeShifter：对 Faster R-CNN 物体检测器的强大物理对抗攻击

Apr, 2018

ShapeShifter：对 Faster R-CNN 物体检测器的强大物理对抗攻击

ShapeShifter: Robust Physical Adversarial Attack on Faster R-CNN Object Detector

Shang-Tse Chen, Cory Cornelius, Jason Martin, Duen Horng Chau

TL;DRShapeShifter 是一种攻击方法，可以通过在真实世界中添加对图像进行物理扰动同时满足多个途径来测试机器学习模型，期望通过在不同的变形中增加鲁棒性来模拟许多场景。

Abstract

Given the ability to directly manipulate image pixels in the digital input space, an adversary can easily generate imperceptible perturbations to fool a Deep Neural Network (DNN) image classifier, as demonstrated in prior work. In this work, we propose shapeshifter, an attack that tack

shapeshifter physical adversarial perturbations object detection faster r-cnn expectation over transformation

发现论文，激发创造

物理对抗样本用于目标检测

对物理深度学习算法模型的物理攻击，提出了 Disappearance Attack 和 Creation Attack 进行检测，结果表明存在风险，攻击模型具有可迁移性

Jul, 2018

利用快门扫描效应制造不可见扰动的物理对抗样本

我们提出了一种方法，生成了对人类眼睛不可见的物理对抗样本。我们使用改变照射目标物体的光的方式，而不是通过贴纸或彩色物体来生成对抗样本，我们探究了如何使用红外光或者 LED 对图像实现攻击目标，实验中所得到的结果表明该方法具有较高的准确度。

Nov, 2020

物理世界中的对抗 T 恤：规避人员检测器

该论文提出了一种以非刚性变形为特点的新型物理对抗样本，名为 “对抗 T 恤”，用于欺骗人物探测器，并展示了这种方法在数字和物理世界中的攻击成功率。

Oct, 2019

关于使用对抗性贴纸攻击目标检测器的注记

本研究基于对已有测试结果的分析，设计一种算法，可以产生压缩后的贴纸状实体对检测器进行攻击，从而证明当前最新的物体检测算法仍然容易受到物理对抗样本的影响。

Dec, 2017

物体隐藏器：面向物体检测器的对抗性贴片攻击

该研究关注深度神经网络的安全性问题，着重研究针对目标检测算法的对抗攻击方法，通过生成特定的对抗补丁实现攻击，提出的两种算法均可有效地、通用地攻击最新的目标检测模型。此外，参加了阿里巴巴的天池对抗挑战，并在 1701 对抗团队中获得了前七名。

Oct, 2020

深度学习模型的鲁棒性物理攻击

该研究介绍了一种通用的攻击算法，RP2，用于在不同的物理条件下产生强大的视觉对抗扰动，以及一种用于评估物理对抗性的两阶段评估方法，通过黑白贴纸形式的扰动对真实的红绿灯进行攻击，在实验室测试和场地测试结果分别达到 100% 和 84.8% 的目标分类器的误分率。

Jul, 2017

冷却缩小攻击：用不可察觉的噪声使跟踪器失明

通过训练有效和高效的扰动生成器，提出了一种冷缩攻击方法，用于欺骗最先进的 Siamese RPN-based 跟踪器，以同时冷却目标区域和强制预测边界框收缩，从而使跟踪目标无法被检测到。

Mar, 2020

对深度学习系统的基于物理摄像头的攻击：对抗相机贴纸

本文主要研究了利用对摄像头物理操纵的方式实施对深度神经网络的物理对抗攻击，并提出了一种迭代的攻击方法，可以使攻击不易被察觉，实现了针对 ImageNet 分类器的 49.6% 的攻击成功率。

Mar, 2019

对抗相机补丁：一种有效并且稳定的物理世界目标检测攻击

研究者正在研究深度神经网络的易受攻击性，并提出了一种新的基于相机的攻击方法，该方法引入了摄像头补丁以执行潜在的隐秘攻击，并提出了一个对抗相机补丁来解决多补丁复杂性的问题。

Dec, 2023

DPatch: 物体探测器的对抗性贴片攻击

本文提出了 DPatch，一种黑盒子对现代计算机视觉系统（如 Faster R-CNN 和 YOLO）的基于敌对的黑盒贴片攻击。与原始的敌对贴片只操纵图像级分类器不同，DPatch 同时攻击边界框回归和对象分类以禁用它们的预测，具有非常高的转移性且实践性强。

Jun, 2018