.png){kind=icon}
返回
A Generative Victim Model for Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-02825-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对抗性攻击旨在扰动输入样本以诱导模型产生错误预测，是评估模型鲁棒性的关键工具。尽管大量研究集中于为分类任务设计对抗性攻击，但针对分割任务的鲁棒性分析仍相对较少。鉴于分割能够实现细粒度、像素级的语义分析，我们认为针对像素级鲁棒性评估的对抗性攻击具有特别的价值。生成对抗样本的基本前提是存在一个训练良好的目标模型（VM），即被攻击的模型。然而，依赖特定任务的架构限制了攻击策略的通用性和灵活性。为解决此问题，我们设计了一种不依赖目标模型的对抗性攻击方法。具体而言，我们提出了一种新颖的对抗样本生成模型，称为数据分布估计（DDE）模型，用于分割任务。基于DDE，我们的模型无需依赖任何特定的分割模型架构。该对抗样本生成模型通过估计数据分布的梯度并扰动样本，使其在像素级别向低密度区域移动，从而有效将样本引导远离自然图像流形。大量实验表明，我们的方法能够为分割任务生成有效且可迁移的对抗样本。这些结果验证了仅基于数据分布生成对抗样本的可行性和潜力，为研究密集预测任务的鲁棒性提供了新视角。
Keyword:
Adversarial Attack
Segmentation Robustness
Generative Model
Data Distribution
期刊
IF:
9.3
论文数:
4.0K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容