对抗样本(论文解读一): DPATCH: An Adversarial Patch Attack on Object Detectors

---

准备写一个论文学习专栏，先以对抗样本相关为主，后期可能会涉及到目标检测相关领域。

内容不是纯翻译，包括自己的一些注解和总结，论文的结构、组织及相关描述，以及一些英语句子和相关工作的摘抄(可以用于相关领域论文的写作及扩展)。

平时只是阅读论文，有很多知识意识不到，当你真正去着手写的时候，发现写完之后可能只有自己明白做了个啥。包括从组织、结构、描述上等等很多方面都具有很多问题。另一个是对于专业术语、修饰、语言等相关的使用，也有很多需要注意和借鉴的地方。

本专栏希望在学习总结论文核心方法、思想的同时，期望也可以学习和掌握到更多论文本身上的内容，不论是为自己还有大家，尽可能提供更多可以学习的东西。

当然，对于只是关心论文核心思想、方法的，可以只关注摘要、方法及加粗部分内容，或者留言共同学习。

---

**

DPATCH:An Adversarial Patch Attack on Object Detectors

**

XinLiu1,HuanruiYang1,ZiweiLiu2,LinghaoSong1,HaiLi1,YiranChen1
1Duke University, 2The Chinese University of Hong Kong
1{xin.liu4, huanrui.yang, linghao.song, hai.li, yiran.chen}@duke.edu, 2zwliu.hust@gmail.com

发表：AAAI 2019

针对目标检测的对抗块攻击

1 摘要：

提出了一个针对主流目标检测器(Faster R-CNN和YOLO)的基于对抗块的黑盒攻击-----DPATCH.

Compared to prior works, DPATCH has several appealing properties:

(1)可以实现无目标及有目标的攻击，分别将原始Faster R-CNN和YOLO的mAP由75.10%和65.7%降到1%以下；
(2)块的尺寸非常小且攻击效果与安放位置无关；
(3)对于不同的检测器和训练数据集具有强转移性(DPATCH demonstrates great transferability among different detectors as well as training datasets).如基于Faster R-CNN训练的生成的对抗块对于YOLO也具有有效的攻击，反之亦然(and vice versa).