摘要

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

模型

模型由四個(gè)部分組成：一個(gè)編碼器 $\epsilon$；一個(gè)生成器$g$；一個(gè)判別器$D$，和目標(biāo)模型$f$

• 編碼器E代表目標(biāo)自動(dòng)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(dòng)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(duì)抗樣本（道路標(biāo)識(shí)）$S_{adv}$。
• 判別器$D$的輸入為$S_{adv}$和真實(shí)的路標(biāo)樣本$S_{orig}$，然后就是GAN的那一套，區(qū)分真?zhèn)?#xff0c;鼓勵(lì)生成器生成外觀上和真實(shí)路標(biāo)一致的樣本。
• 圖片里面的mapping說(shuō)的好聽(tīng)一點(diǎn)就是透視圖映射方法，其實(shí)就是把原視頻里面每一幀上的正方形道路標(biāo)志的四個(gè)角的坐標(biāo)找出來(lái)，然后把生成的$S_{adv}$按照坐標(biāo)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(duì)抗損失
  
  其中$l_f$是一個(gè)距離函數(shù)m，$\beta$是一個(gè)清晰度參數(shù)。
• GAN損失
  
• 最終的目標(biāo)函數(shù)
  
  

實(shí)驗(yàn)

評(píng)估的指標(biāo)沒(méi)有使用攻擊成功率，而是用了自動(dòng)駕駛導(dǎo)航角度的均方誤差和最大誤差來(lái)評(píng)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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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