0%

Improving the Transferability of Targeted Adversarial Examples through Object-Based Diverse Input

Improving the Transferability of Targeted Adversarial Examples through Object-Based Diverse Input (CVPR2022)

代码:https://github.com/dreamflake/ODI

解决的问题

本文要解决目标攻击迁移效果差的文体。数据增广是缓解迁移攻击对抗样本对源模型过拟合的一种方法,之前的工作使用简单的数据变换比如 resize ,限制了输入的多样性。本文的研究动机在于人类视觉在三维物体上的图像的卓越感知能力,如果一个图像足够清晰,人类可以在多个观察条件下识别物体内容,如果一个对抗样本对于目标网络看起来像目标类别,这个网络也同样将这个渲染成3D的物体识别为目标类。

贡献点:

  • 提出 object-based diverse input (ODI) 方法,首次将3D物体作为2D对抗样本优化过程中的画布
  • 攻击成功率和3D物体有关(例如枕头或者杯子),对源物体的集成可以提高迁移攻击成功率。
  • 对于 ImageNet 数据集,所提方法将平均攻击成功率由28.3%提高到47.0%
  • ODI 的方法对人脸验证任务同样有效

方法

本文提出一种ODI攻击,首先引入一个3D物体,将样本投影到它的表面,诱导这个渲染的物体在多种渲染环境下,例如不同光照和视角被分为目标类

本文 ODI 过程是可微的,包括三个步骤

  1. 准备一个3D对抗网络布。随机从目标物体池中挑选一个物体,所挑选的物体有一个三角形网布,一个纹理图,一个边框,这个边框代表画布区域,对抗样本将会画在纹理图上。将纹理图用随机纯色填充,对抗样本 resize 后插入纹理图边框区域。

  2. 渲染环境设置。包括光照和相机设置。对于相机,固定内参,调整外参,相机角度有三种:elevation, azimuth, 和 tilt。3D 网布大小初始化,投影的图像可以占据它85%的空间。相机角度和距离在一个预设的区间内随机采样。

    本文选取了 point lights 这个照明模型,但是 directional lights 模型也可以使用。亮度和散射条件在一个预设的区间内随机采样。同样光照位置在基准位置随机添加位移。

  3. 渲染和与背景混合。在采样环境中渲染对抗三维网格,并将其与随机生成的背景图像混合,以创建最终的输出图像。

ODI 的方法可以和 TI,MI,SI 等方法结合。算法流程图如下

实验结果

这里贴一个实验结果,更多实验见原文

主要的实验设定和[1]相同,在一定范围内角度,距离和背景图可以提高攻击成功率。

总结

ODI-MI-TI-VT 可以实现SOTA,但是处理单张图像耗时我觉得有点无法接受。。。同样相机参数设置也对实验结果有一定影响。

[1] Zhengyu Zhao, Zhuoran Liu, and Martha Larson. On success and simplicity: A second look at transferable targeted attacks. In Advances in Neural Information Processing Systems, 2021.