摘要由 AI 生成
针对传统黑盒攻击仅作用于输出 logits 而忽视空间结构与类别特征关系的问题，研究提出了特征相似性投影梯度下降（FSPGD）方法。该方法采用双损失设计：外部损失强制清洁样本与对抗特征间的差异以削弱跨模型对齐，内部损失降低同一类别不同空间实例的特征一致性。在 Pascal VOC 2012 和 Cityscapes 数据集上对 CNN 及 Transformer 架构的广泛实验表明，FSPGD 实现了最先进的迁移率，持续优于 SegPGD、CosPGD 和 RP-PGD 等传统及基线方法。此外，使用 FSPGD 样本进行的对抗训练增强了模型对未见攻击的鲁棒性。相关代码已开源。
关键实体KEY ENTITIES
CityscapesFSPGDKU-AIVSPascal VOC 2012
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- FSPGD1
- Pascal VOC 20121
- Cityscapes1
- KU-AIVS1
全部报道（1）SOURCES
↗
本文提出特征相似性投影梯度下降（FSPGD），一种针对语义分割的黑盒攻击方法，旨在解决传统仅作用于输出 logits 的方法无法兼顾空间结构与类别特征关系的问题。FSPGD 采用双损失设计：外部损失强制清洁与对抗特征间的差异以削弱跨模型对齐，内部损失降低同一类别不同空间实例的特征一致性。在 Pascal VOC 2012 和 Cityscapes 数据集上对 CNN 及 Transformer 架构的广泛实验表明，FSPGD 实现了最先进的迁移率，持续优于 SegPGD、CosPGD 和 RP-PGD 等传统及基线方法。此外，使用 FSPGD 样本进行的对抗训练增强了模型对未见攻击的鲁棒性。相关代码已开源。