Oct, 2022

基于差分进化的双重对抗伪装：欺骗人眼和物体检测器

PDF
TL;DR本研究提出一种基于差分演化的对抗性伪装方法 (DE_DAC)，旨在同时欺骗人眼和目标检测器。该方法包含两个阶段，分别对全局和局部纹理进行优化，从而达到伪装目的。其中，差分演化算法用于搜索攻击对象的最优区域。实验结果表明，该方法在多个场景和物体上能够良好地平衡人眼和目标检测器的伪装效果。
adversarial attacksobject detectiondeep neural networktexture optimizationdifferential evolution
发现论文，激发创造
  • 对抗伪装：利用自然风格隐藏物理世界攻击

    本研究提出了一种新的方法 ——Adversarial Camouflage，在数字和现实情境下都能够制造出看起来合理、而且几乎不被发现的隐形对抗样本，以此来检验 DNN 的鲁棒性。

    Mar, 2020

  • 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

  • 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

  • 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

  • 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

  • MetaAdvDet：面向演化型对抗攻击的鲁棒性检测

    通过元学习方法构建的双网络框架，旨在解决深度神经网络在遇到少量样本的新对抗攻击时检测精确度低的问题。在 CIFAR-10，MNIST 和 Fashion-MNIST 三个数据集上实验表明，该方法相比于传统的对抗攻击检测方法具有更高的有效性。

    Aug, 2019

  • 从扩散到混淆：基于扩散模型的自然敌对图案生成用于目标检测

    提出一种基于扩散模型的新型自然对抗贴片生成方法，通过从模型中预训练的自然图片中抽样生成高质量的自然对抗贴片，达到了更好的质量和更自然的对抗贴片的生成效果。

    Jul, 2023

  • 用于逃避物体检测模型的动态对抗贴片

    该研究使用动态对抗性贴片攻击实际场景下的对象检测器，并通过生成考虑目标物品与分类之间的语义距离的贴片方法进行优化，成功地在广阔的视角范围内将 YOLOv2 对象检测器误导了 90％，并在不同汽车模型之间成功误导检测器 71％。

    Oct, 2020

  • 对抗纹理用于欺骗物理世界中的人物检测器

    提出了 Adversarial Texture 技术，应用于制作物理世界中可以欺骗人物探测器的衣着。使用 Toroidal-Cropping-based Expandable Generative Attack（TC-EGA）方法进行生成。

    Mar, 2022

  • 基于局部直方图均衡化的增强图像差异特征对抗样本检测

    基于高频信息增强策略，提出了一种针对对抗性样本的检测框架，可以在不修改现有检测模型的情况下，提高检测器的性能和降低部署成本。

    May, 2023