TY - A2的陈,汤姆AU -朗,大鹏AU - Chen Deyun AU -史,跑盟——他,Yongjun PY - 2021 DA - 2021/04/08 TI - Attention-Guided数字敌对的补丁在视觉检测SP - 6637936六世- 2021 AB -深度学习已广泛应用于图像分类和图像识别领域取得积极务实成果。然而,近年来,许多研究发现,基于分类深度学习模型的准确性大大滴时候只有细微的变化,原来的例子,从而实现攻击深学习模型。主要的方法如下:调整攻击例子人眼看不到的像素和诱导深度学习模型做出错误的分类;通过添加一个敌对的补丁检测目标,指导和欺骗让它误分类的分类模型。因此,这些方法具有很强的随机性和非常有限的在实际应用中使用。不同于之前的摄动交通标志,我们提出的方法能够成功地隐藏和分类车辆在复杂的背景。该方法考虑了复杂的真实场景,可以扰乱相机所拍摄的照片和手机这样探测器基于深度学习模型不能检测到车辆或误分类。为了提高健壮性、对抗性的补丁的位置和大小是根据不同的检测模型通过引入附件调整机制。通过测试不同的探测器,补丁中生成单一目标检测算法也可以攻击其他探测器和在可转让性。基于本文的实验部分,该算法能够显著降低探测器的准确性。 Affected by the real world, such as distance, light, angles, resolution, etc., the false classification of the target is realized by reducing the confidence level and background of the target, which greatly perturbs the detection results of the target detector. In COCO Dataset 2017, it reveals that the success rate of this algorithm reaches 88.7%. SN - 1939-0114 UR - https://doi.org/10.1155/2021/6637936 DO - 10.1155/2021/6637936 JF - Security and Communication Networks PB - Hindawi KW - ER -