自動運転における物体検出への転移可能な物理的アドバーサリアルパッチ

要旨: 深層学習は自動運転（AD）における大きな進歩を牽引しており、知覚の中心となるのが物体検出器です。しかし、敵対的攻撃はこれらのシステムの信頼性と安全性に重大な脅威をもたらします。なかでも、物理的な敵対的パッチは特に強力な攻撃形態です。物理的な敵対的パッチ攻撃は深刻なリスクを負いますが、通常は単一のモデル向けに作成されるため、未知の検出器への転移性が低くなります。私たちは、自動運転における物体検出への転移ベースの物理攻撃である AdvAD を提案します。特定の検出器を狙うのではなく、AdvAD は統一された枠組みのもとで複数の検出モデルに対して敵対的パッチを最適化し、学習された摂動がアーキテクチャをまたいで共通する脆弱性を捉えるよう促します。最適化プロセスは、モデルの寄与を適応的にバランスさせるとともに、物理的変動に対する頑健性を強制します。さらに、データ拡張と幾何学的変換を用いて、多様な物理条件下でもパッチの有効性を維持します。デジタル環境および実世界の両方での実験により、AdvAD は性能と転移性のいずれにおいても、最先端（SOTA）の攻撃より一貫して優れていることが示されます。