May, 2022

可转移的、基于可分离注意力的物理攻击方法针对目标检测

PDF
TL;DR本文提出了一种基于多尺度注意力图的逐渐合成平均图的方法，通过压制目标物体的前景注意力和增强背景的注意力，生成可实现物理伪装的转移攻击，取得了优于现有技术的结果。
transferable adversarial attackphysically realizable adversarial camouflagemulti-scale attention mapscomposite transformationsmodel-specific noise
发现论文，激发创造
  • 双重关注抑制攻击：在物理世界中生成对抗伪装

    本文提出了双重关注抑制攻击 (Dual Attention Suppression，DAS) 来对抗深度学习模型中的物理对抗性样本，该方法具有模型无关性和人类特定模式，在数字和实体世界中均进行了广泛实验，表明该方法优于当前最先进的对抗性攻击方法。

    Mar, 2021

  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • T-SEA：基于迁移学习的自组攻击在物体检测上的应用

    本研究针对单模型迁移黑盒对象检测攻击问题，提出了一种增强型攻击框架以及自举式方法，提高了攻击的传递性和白盒效果。

    Nov, 2022

  • 在实际世界中实现可迁移的有目标 3D 对抗攻击

    通过设计一种名为 TT3D 的新型框架，可以从少量多视图图像中快速重建为可转移的针对性的 3D 纹理网格，该方法不仅展示出卓越的跨模型转移能力，而且在不同的渲染和视觉任务中保持可观的适应性，此外，通过 3D 打印技术在真实世界中生成的 3D 对抗样本也得到了鲁棒的验证。

    Dec, 2023

  • 基于注意力机制的视觉应用中针对物理对抗攻击的实时策略

    本文提出了一种高效的基于注意力机制的防御方法，利用对抗通道注意力快速识别和追踪浅层网络中的恶意对象，并在多帧情景中遮蔽它们的对抗影响。该方法提升了现有超激活技术在现实世界的对抗攻击中的效果，并引入了一个高效的多帧防御框架，通过广泛实验评估了其防御性能和计算成本。

    Nov, 2023

  • 通过减少离散度增强对抗样本的跨任务黑盒可迁移性

    本文研究了对神经网络的对抗样本跨任务迁移性的攻击，超越了现有攻击的限制，并针对计算机视觉中的多种任务提出了一种新的攻击方法。

    Nov, 2019

  • 面向 Vision Transformers 的可迁移对抗攻击

    这篇论文提出了一种双重攻击框架，包括 PNA 攻击和 PatchOut 攻击，用于针对 ViTs 的结构进行特殊定制的对抗攻击，包括考虑补丁和自注意力，从而提高对抗样本的可转移性，实验证明，这种攻击方法可大大提高 ViTs 之间的可转移性，并结合现有的转移方法进行性能提升。

    Sep, 2021

  • 可迁移的语义分割攻击

    对语义分割模型进行全面分析，发现传统的对抗攻击方法无法很好地转移到目标模型，因此需要研究适用于语义分割的可传递攻击方法。通过有效的数据增强、平移不变特征以及稳定的优化策略，提出了一种基于集成的语义分割攻击方法，以实现更有效且具有更高可传递性的攻击。

    Jul, 2023

  • DTA：利用可微变换网络进行物理伪装攻击

    本文提出了 Differentiable Transformation Attack (DTA) 框架，基于 Differentiable Transformation Network (DTN) 生成具备动态适应性的伪装图案，成功地使 3D 车辆在物理世界和虚拟现实环境中逃避最先进的目标检测模型。

    Mar, 2022

  • 隐形的贴片：自然黑盒对目标检测器的敌对攻击

    该研究提出一种基于生成对抗网络（GAN）图像流形和物理世界的无梯度攻击方法，用于生成自然物理的对抗贴片以欺骗对目标物体检测器的分类。结果表明，该方法在数字和物理场景下均有效。

    Mar, 2023