摘要

作者在自動駕駛的場景下提出了一種生成真實世界的對抗樣本的方法。作者沒有使用傳統(tǒng)的DNN分類器作為目標模型而是使用了一些自動駕駛中的導航模型，作者采用的攻擊方法的效果應該沒有adversarial patch那樣直接，但是足以對自動駕駛產(chǎn)生一定的負面影響。

模型

模型由四個部分組成：一個編碼器 $\epsilon$；一個生成器$g$；一個判別器$D$，和目標模型$f$

• 編碼器E代表目標自動駕駛模型f的卷積層，該模型以3D張量為輸入，并用于提取視頻的特征（原始特征和擾動特征）。
• 生成器$g$的輸入為原始視頻片段$X_{orig}$經(jīng)由編碼器 $\epsilon$抽取出的特征，輸出為對抗樣本（道路標識）$S_{adv}$。
• 判別器$D$的輸入為$S_{adv}$和真實的路標樣本$S_{orig}$，然后就是GAN的那一套，區(qū)分真?zhèn)?#xff0c;鼓勵生成器生成外觀上和真實路標一致的樣本。
• 圖片里面的mapping說的好聽一點就是透視圖映射方法，其實就是把原視頻里面每一幀上的正方形道路標志的四個角的坐標找出來，然后把生成的$S_{adv}$按照坐標貼到原視頻的每一幀里面去，然后得到生成的視頻$X_{adv}$。

損失函數(shù)

• 對抗損失
  
  其中$l_f$是一個距離函數(shù)m，$\beta$是一個清晰度參數(shù)。
• GAN損失
  
• 最終的目標函數(shù)
  
  

實驗

評估的指標沒有使用攻擊成功率，而是用了自動駕駛導航角度的均方誤差和最大誤差來評估。

• digital scenarios
  
  
• physical-world scenarios
  
  

總結(jié)

以上是生活随笔為你收集整理的《PhysGAN: Generating Physical-World-Resilient Adversarial Examples for Autonomous Driving》学习笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。