UBA：一种基于可视化上下文重建的统一黑盒对抗性检测方法，用于目标检测

《INTERNATIONAL JOURNAL OF COMPUTER VISION》：UBA: A Unified Black-Box Adversarial Testing for Object Detection via Visualization-Based Contextual Reconstruction

　　

摘要

目标检测（Object Detection, OD）广泛应用于安全关键领域，如自动驾驶，其中在实际应用中的鲁棒性至关重要。然而，OD模型对微小的输入变化可能非常敏感，因此通过对抗性测试进行鲁棒性评估显得尤为重要，尤其是在实际的基于迁移的黑盒环境下，攻击者无法获取模型参数和梯度。分析具有领域泛化能力的OD模型的对抗性鲁棒性面临三个主要挑战：（1）定义一个适用于各种OD架构的统一对抗性目标；（2）识别容易受到攻击的敏感区域；（3）生成自然的对抗性样本。为了解决这些问题，我们提出了UBA（Unified Black-box Adversarial Testing），这是一种针对OD模型的统一黑盒对抗性测试方法。首先，我们设计了UBA损失函数，该函数整合了多种OD指标（置信度、IoU、分类）并采用自适应加权策略以适应不同的OD模型。其次，我们提出了目标检测热图单元（Object Detection Heatmap Unit, OBHU），该单元利用集成梯度归因图来识别敏感区域。最后，我们实现了基于上下文的生成对抗网络（Context-aware Generative Adversarial Network, CaGAN），该网络能够在敏感区域进行对抗性上下文重建，从而生成自然的对抗性样本。在三个数据集（INRIA、VOC-900、KITTI）上对八种OD模型（包括单阶段、两阶段和基于Transformer的架构）进行的实验表明，UBA的有效性显著。与现有方法相比，UBA实现了57.22–61.74的mAP值降低和58.49–69.29的召回率降低，同时保持了更优的视觉质量（PSNR：24.85–26.12，LPIPS：0.151–0.186）。替代敏感性分析验证了其跨架构的鲁棒迁移能力（90–96%）。显著性方法消融实验确认了集成梯度方法的优越性（mAP值优势为14.76–27.65）。微调实验显示，使用UBA样本进行对抗性训练可以将三个测试集上的干净数据检测性能提升13.7–28.9%，从而证实UBA有效解决了具有领域泛化能力的OD模型中的对抗性鲁棒性挑战。