37、SegPGD：高效有效的对抗攻击方法

SegPGD：高效有效的对抗攻击方法

在图像分割领域，创建有效的对抗样本通常需要大量的攻击迭代，这使得分割模型的鲁棒性评估和对抗训练变得极具挑战性。为了解决这一问题，研究人员提出了一种名为SegPGD的高效有效的特定于分割的对抗攻击方法。

1. SegPGD与PGD的对比

SegPGD在有效性和效率上均优于PGD。在相同的攻击迭代次数下，SegPGD能够创建更有效的对抗样本，并且比PGD更快地收敛到更好的最小值。以下是通过实验得出的一些结论：
- 定量评估 ：
- 研究人员分别在VOC和Cityscapes数据集上训练了PSPNet和DeepLabV3，同时考虑了标准训练和对抗训练。在对抗训练中，采用了3次迭代的PGD作为基础攻击方法，最终得到了8个模型。
- 对这8个模型应用PGD和SegPGD，并报告了不同攻击迭代次数（如20、40和100）下的最终平均交并比（mIoU）。结果表明，SegPGD创建的对抗样本使分割模型的mIoU更低，且能更快收敛到更好的最小值，这体现了SegPGD的高效性和有效性。
- 定性评估 ：
- 以在VOC数据集上的标准PSPNet上进行20次攻击迭代创建的对抗样本为例，对创建的对抗样本及其模型预测进行可视化。
- PGD和SegPGD创建的对抗扰动在人类视觉中几乎不可察觉，即对抗样本与原始干净图像难以区分。但SegPGD创建的对抗样本的预测掩码与真实标签的偏差比PGD更大，这表明在相同的攻击迭代次数下，SegPGD创建的对抗样本更有效。

2. 与其他分割攻击方法的比较

除了与PGD对比，还将