面部图像的分布式位置感知可转移的对抗补丁
概括
研究人员开发了DOPatch,这是一种用于创建更自然和更积极的敌对补丁的新方法,用于物理攻击. 这个框架有效地找到最佳补丁位置,改善了面部识别模型的黑子攻击.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 对抗补丁是物理世界对抗攻击的关键方法.
- 现有的方法在补丁自然性,攻击性和高效的位置优化方面扎,特别是在黑盒设置中.
研究的目的:
- 提出一个新的框架,分布优化对抗补丁 (DOPatch),以实现高效的对抗补丁优化.
- 开发基于查询的黑子攻击方法,利用面部识别模型的分布先验.
主要方法:
- 在不同的面部识别模型中实证观察到有效的对抗性补丁位置的一致聚合区域.
- 拟议的DOPatch框架用于分布建模以有效地搜索这些聚合区域.
- 设计了两种黑子攻击方法:DOP-LOA和DOP-DTA,利用以前的分发方法.
主要成果:
- 在各种最先进的面部和图像识别模型上展示了DOPatch,DOP-LOA和DOP-DTA的有效性和通用性.
- 通过分布建模,展示了对抗性补丁聚合区域的高效搜索.
- 通过废除研究,提供了对抗性位置分布的见解.
结论:
- DOPatch提供了一种高效的方法,通过建模位置分布来优化对抗性补丁.
- 拟议的黑子攻击方法有效地针对未见的面部识别模型.
- 这些发现突出了改善物理对抗性攻击的潜力,增强了自然性和侵略性.
