Attaque de Suppression de Double Attention : Générer un Camouflage Adversarial dans le Monde Physique

Les modèles d'apprentissage profond sont vulnérables aux exemples adverses. En tant que type plus menaçant pour les systèmes d'apprentissage profond pratiques, les exemples adverses physiques ont reçu une attention de recherche approfondie ces dernières années. Cependant, sans exploiter les caractéristiques intrinsèques telles que les motifs indépendants du modèle et spécifiques à l'humain, les travaux existants génèrent des perturbations adversariales faibles dans le monde physique, qui ne parviennent pas à attaquer différents modèles et affichent une apparence visuellement suspecte. Motivé par le point de vue selon lequel l'attention reflète les caractéristiques intrinsèques du processus de reconnaissance, cet article propose l'attaque de Suppression de Double Attention (DAS) pour générer des camouflages adversariaux visuellement naturels avec une forte transférabilité en supprimant à la fois l'attention du modèle et l'attention humaine. En ce qui concerne l'attaque, nous générons des camouflages adversariaux transférables en distrayant les motifs d'attention similaires partagés par le modèle des régions cibles aux régions non cibles. Parallèlement, sur la base du fait que l'attention visuelle humaine se concentre toujours sur les éléments saillants (par exemple, les distorsions suspectes), nous évitons l'attention ascendante spécifique à l'humain pour générer des camouflages visuellement naturels qui sont corrélés au contexte de la scène. Nous menons des expériences approfondies dans les mondes numérique et physique pour des tâches de classification et de détection sur des modèles à jour (par exemple, Yolo-V5) et démontrons que notre méthode surpasse les méthodes de pointe.