PhysGAN: Generating Physical-World-Resilient Adversarial Examples for Autonomous Driving

本文主要是介绍PhysGAN: Generating Physical-World-Resilient Adversarial Examples for Autonomous Driving，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

PhysGAN: Generating Physical-World-Resilient Adversarial Examples for Autonomous Driving

本文收录于CVPR 2020

本文针对在现实场景中针对自动驾驶系统产生对抗性路标或广告牌导致自动驾驶系统故障。

背景

本文将对抗攻击分为digital-attack和physical-attack

• digital-attack:仅在像素级别上添加扰动。这种方式扰动能力强，但生成的对抗样本迁移到现实世界中其对抗性可能会无效。对于自动驾驶系统，这种方法将扰动添加到整个图片，包括背景信息（例如天空），这在现实中是无法实现的。
• physical-attack：生成的扰动样本可以打印出来，且打印出的样本依旧具有对抗性。

以前的攻击方式

• RP2： 在路标上直接粘贴黑白胶带，扰动太大，人眼易察觉
• physFGSM：既属于digital-attack也属于physical-attack，将扰动只添加在路标上，这会导致其在digital attack上的攻击能力下降，但在physical attack上的攻击能力增强

之前的扰动只考虑静态情况，即只将扰动添加在一张包含路标的静态图中，没有考虑实际场景中的动态性，即车是驶向路标的。所以本文作者提出了一种适用于实际动态场景下的物理对抗攻击方式physGAN。

physGAN

流程

1、输入

与以往输入的是单张图片不同的是，本方法的输入是包含多帧图像的动态视频片段&#

这篇关于PhysGAN: Generating Physical-World-Resilient Adversarial Examples for Autonomous Driving的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---