对抗性补丁——day54（second）Towards-a-physical-world-adversarial-patch-for-blinding object detection models

1. Introduction

Fig. 2，补丁生成的框架。将原始图输入对象检测模型，并在目标对象上添加补丁。然后我们将修改后的图像发送到模型，并根据检测模型的输出不断优化补丁。

3. Methodology

3.1. Fooling object detection model with adversarial patch

optimization problem as defined by式（1）

Ldet 测量对象检测模型识别目标对象的期望：式（2）

Ls迫使补丁 p 具有较小的总变化 (TV) ，因此看起来更加平滑和自然，式（3）

Lp限制了从数字世界到物理世界的传输中补丁p的可显示的颜色损失,式（4）

最后，我们的全目标函数可以表示为:式（5）

4. Experiments

4.1. Setup

4.1.1. Dataset

• MS COCO 2017 dataset
• PASCAL VOC 2007dataset
• INRIA Person Dataset

4.1.2. Target model

YOLOv3 and Faster R- CNN

4.1.3. Evaluation metrics

• fooling rate (FR)|
• recall

4.2. Evaluation

4.2.3. Measuring the output of object detection model

4.2.5. Adversarial patch in physical world

对抗性补丁的最终目标是在物理世界中实现攻击。

• 图7证明了我们的攻击在物理世界中是有价值的，并且只会干扰探测器对带有补丁的物体的识别。