Blind object detectors via transferable background adversarial attack

doi:10.1016/j.neunet.2026.109356

Blind object detectors via transferable background adversarial attack

2026-07-01

0

PRE

AI

DOI：10.1016/j.neunet.2026.109356

原文链接

原文求助

摘要

En 中文

已广泛证实，深度神经网络（DNNs）易受对抗扰动影响。现有研究主要关注通过损坏目标物体（物理攻击）或图像（数字攻击）来实施攻击，这在攻击有效性方面直观可接受且易于理解。相比之下，我们的研究重点在于在数字和物理领域开展背景对抗攻击，而无需对目标物体本身造成任何干扰。具体而言，我们提出了一种可迁移的背景对抗攻击框架，该框架在多样化的物体和模型上具有良好的泛化能力，且不会模糊目标物体。技术上，我们将背景对抗攻击视为一个迭代优化问题，类似于DNN的学习过程。此外，我们在一组温和但充分的条件下对其收敛性进行了理论证明。为增强攻击效果和可迁移性，我们提出了一种针对对抗扰动的新型集成策略，并引入了一种改进的平滑约束，以实现集成扰动的无缝连接。我们在数字和物理领域进行了全面且严格的实验，证明了所提出的可迁移攻击方法的有效性。本研究的发现证实了人类视觉与机器视觉在背景变化价值上的显著差异，背景变化的作用远比以往认识到的更为关键，这需要对DNN的鲁棒性和可靠性进行重新评估。代码已在GitHub仓库公开。

Keyword:

Deep neural networks

Universal

Background

Adversarial attack

Blind object detectors via transferable background adversarial attack

摘要

期刊

机构

引用论文