Budget-Aware Adaptive Adversarial Patches for Black-Box Object Detection
적대적 패치는 현대 객체 검출기(object detector)에 실질적인 위협이 됩니다. 기존 연구는 이러한 취약성을 보여주었지만, 실행 가능한 통찰력을 제한하는 세 가지 격차가 존재합니다: (i) 제한된 쿼리 예산(query budget) 하에서 패치의 위치, 텍스처, 크기를 공동으로 최적화하는 점수 기반 블랙박스(score-based black-box) 공격은 거의 없습니다; (ii) 성공 여부가 패치의 시각적 점유 영역(visual footprint)과 거의 연결되지 않습니다; (iii) 평가에서 종종 EOT 강건성을 단순 뷰(suppression) 억제와 혼동합니다. 본 논문에서는 경량의 문맥형 톰슨 샘플링(Contextual Thompson-Sampling) 배치자와 NES 스타일 픽셀 업데이트를 결합하고, 진전이 멈췄을 때만 패치를 성장시키는 쿼리 효율적이고 예산 적응형 블랙박스 공격인 \method{}를 제안합니다. 보고는 엄격한 단순 이미지 억제 테스트를 기준으로 하며; EOT는 감사(audit)되지만 성공의 대체재로 사용되지 않으며, 선택적인 외관/인쇄 가능성 가중치는 강도와 가시성 간의 트레이드오프를 보여줍니다. YOLOv5, Faster R-CNN, YOLOS에 걸쳐 \method{}는 컴팩트한 패치를 사용하여 CNN 기반 검출기에서 강력한 억제를 달성하고 트랜스포머 기반 검출기에서 상당한 억제를 달성하며, 고정 크기 및 휴리스틱 기준선에 비해 명확한 쿼리-점유 영역 트레이드오프를 보여줍니다. 인쇄-캡처 파일럿(pilot) 실험은 보이지 않는(unseen) 물리적 객체 및 시점 간의 전이성을 추가로 보여줍니다.