.png){kind=icon}
返回
From Adversity to Advantage: Diffusion Models for Improved Detection Under Attack
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-10759-6_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对抗性补丁攻击通过导致严重误分类威胁目标检测器的可靠性，尤其是在安全关键环境中。在本工作中，我们提出了一套全面的防御流水线，不仅能恢复检测性能，还能显著提升其性能。我们的方法利用潜在扩散模型来恢复受对抗性补丁影响的语义连贯区域，从而为YOLOv5带来+26.61%、YOLOv7带来+26.91%的置信度增益——超过了模型在干净图像上的原始预测。与仅尝试恢复的前期方法不同，我们证明了扩散模型可以在攻击下增强目标检测性能，同时保持推理时间的实际效率。我们还提出了一种基于EigenCAM和网格搜索的优化攻击策略，该策略识别并针对图像中最脆弱的区域。实验结果表明，我们的方法在鲁棒性和检测置信度恢复方面均一致优于JPEG压缩、空间平滑、SAC [17]和DIFFender [8]等经典及近期防御方法。这些发现强调了生成模型不仅可用于防御，还能在对抗场景中增强目标检测器。
Keyword:
adversarial attacks
object detection
detection confidence
adversarial patch defense
期刊
C
IF:
0
论文数:
25
被引数:
0
机构
引用论文
Adversarial Patch Attacks on Deep-Learning-Based Face Recognition Systems Using Generative Adversarial Networks.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Detection of Uncertainty in Exceedance of Threshold (DUET): An Adversarial Patch Localizer2022 IEEE/ACM International Conference on Big Data Computing, Applications and Technologies (BDCAT)
2022 IEEE/ACM International Conference on Big Data Computing, Applications and Technologies (BDCAT)IF0
PREAI
分享收藏Architecture-Agnostic Iterative Black-Box Certified Defense Against Adversarial PatchesICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
分享收藏
查看更多内容