AI监控系统的物理对抗攻击：检测、跟踪与可见光–红外规避
计算机视觉与模式识别
2026-04-09 v1 人工智能
摘要
物理对抗攻击越来越多地在类似于已部署监控系统的设置中进行研究，而非孤立的图像基准。在这些设置中，人体检测、多目标跟踪、可见光–红外感知以及攻击载体的实际形式同时起作用。这改变了文献的解读方式。在一帧中抑制检测器的扰动可能在时间推移中身份被恢复后仅产生有限的实际效果；仅RGB的结果可能无法说明依赖可见光和热输入相结合的夜间系统；而显眼的补丁可能暗示与可穿戴或选择性激活载体不同的威胁模型。本论文从监控导向的视角综述物理攻击。我们不试图编目所有计算机视觉中的物理攻击，而是聚焦于在监控中变得核心的技术问题：时间持续性、感知模态、载体真实性和系统级目标。我们通过四部分分类法组织先前工作，并讨论多目标跟踪、双模态可见光–红外规避和可控服装方面的最新结果如何反映该领域的更广泛变化。我们还总结了评估实践和未解决的差距，包括距离鲁棒性、相机流水线变化、身份级指标和激活感知测试。由此得出的图像是，监控鲁棒性无法仅从孤立的逐帧基准中可靠判断；它必须作为随时间展开、跨传感器并在真实物理部署约束下的系统问题来审视。
引用
@article{arxiv.2604.06865,
title = {Physical Adversarial Attacks on AI Surveillance Systems:Detection, Tracking, and Visible--Infrared Evasion},
author = {Miguel A. DelaCruz and Patricia Mae Santos and Rafael T. Navarro},
journal= {arXiv preprint arXiv:2604.06865},
year = {2026}
}