본 논문은 자율주행과 같은 안전 중요 응용 분야에서 심층 신경망의 배치에 심각한 과제를 제기하는 물리적 세계의 적대적 예시의 존재에 대해 다룹니다. 기존의 대부분의 물리적 세계 적대적 예시 생성 방법은 그림자, 레이저 빔 또는 스티커와 같은 특정 시나리오에 맞춰진 임시 수정에 의존하는 임시변통적인 방법입니다. 본 논문에서는 물리적 객체의 고유한 속성인 '마모'라는 자연 발생 현상에서 영감을 얻은 새로운 종류의 물리적 세계 적대적 예시인 AdvWT를 제시합니다. 수동으로 생성된 섭동과 달리 '마모'는 야외 표지판의 점진적인 열화에서 볼 수 있듯이 환경 열화로 인해 시간이 지남에 따라 자연스럽게 나타납니다. 이를 달성하기 위해 AdvWT는 두 단계 접근 방식을 따릅니다. 첫째, GAN 기반의 비지도 이미지-이미지 변환 네트워크를 사용하여 특히 야외 표지판의 맥락에서 이러한 자연 발생 손상을 모델링합니다. 변환 네트워크는 손상된 표지판의 특징을 잠재적인 '손상 스타일 코드'로 인코딩합니다. 둘째, 스타일 코드에 적대적 섭동을 도입하여 변환 프로세스를 전략적으로 최적화합니다. 이러한 조작은 손상 스타일 표현을 미묘하게 변경하여 네트워크가 적대적 이미지를 생성하도록 안내합니다. 여기서 손상의 모양은 지각적으로 현실적이면서 동시에 신경망을 오도하는 데 효과적입니다. 두 개의 교통 표지판 데이터 세트에 대한 포괄적인 실험을 통해 AdvWT가 디지털 및 물리적 영역 모두에서 DNN을 효과적으로 오도함을 보여줍니다. AdvWT는 기존의 물리적 세계 적대적 예시에 비해 효과적인 공격 성공률, 더 큰 강력성 및 더 자연스러운 외관을 달성합니다. 또한, AdvWT를 교육에 통합하면 모델의 실제 손상된 표지판에 대한 일반화 능력이 향상됩니다.
