对抗样本：ShadowsAttack

本文来自CVPR 2022，作者提出了一种新型光学对抗样本，ShadowAttack。它通过一种普遍且自然的现象——阴影，生成对抗扰动，达到自然而隐密的攻击效果。并且利用了EOP方法和二次优化稳固错误预测${\tilde{y}}_w$的方法，来提升对抗样本的鲁棒性。作者在自然环境和测试环境都测试了该方法的效果，交通标志牌的识别实验表明，ShadowAttack方法在LISA和GTSRB两个数据集的攻击成功率达到98.23%和90.47%。

1.Shadow噪声模型

为了利用Shadow生成对抗样本，有两个问题是我们需要考虑的，一是Shadow的位置；二是Shadow的像素值

1.1 Shadow 位置

对与shadow的位置，作者提出找到一个合适的多边形${\mathcal{P}}_{\mathcal{V}}$来模拟阴影区域。我们用一些顶点的坐标$\mathcal{V}=\{(m_1,n1),(m_2,n_2),...,(m_s,n_s)\}$来表示这个多边形多边形${\mathcal{P}}_{}$