Generating Minimalist Adversarial Perturbations to Test Object-Detection Models: An Adaptive Multi-Metric Evolutionary Search Approach

本文介绍了一种名为Triple-Metric EvoAttack（TM-EVO）的高效算法，用于评估目标检测深度学习模型对抗攻击的鲁棒性。DL模型在计算机视觉任务中表现出色，但容易受到对抗性样本的影响。TM-EVO利用多指标适应度函数，指导进化搜索，以最小扰动创建有效的对抗性测试输入。我们在广泛使用的目标检测DL模型DETR和Faster R-CNN以及开源数据集COCO和KITTI上评估了TM-EVO。我们的研究结果表明，TM-EVO优于现有的EvoAttack基线，可以在保持效率的同时生成更少噪声的对抗性测试。

研究深度学习模型在物体检测中的鲁棒性问题，特别是对抗攻击的问题。

使用三种度量标准的进化算法TM-EVO来评估物体检测深度学习模型的鲁棒性，并创建有效的对抗测试输入。

TM-EVO比现有的EvoAttack基线表现更好，能够在保持效率的同时创建带有更少噪声的对抗测试。

最近的相关研究包括：Adversarial Attacks and Defenses in Images, Graphs and Text: A Review。