面向车基交通标志检测的自然风格对抗性图案的物理评估

本文研究了自然风格对抗性图案（Naturalistic Adversarial Patches, NAPs）在物理车流标志检测场景中的迁移效果，评估的检测器是在为自动驾驶车辆（AV）环境定制数据集上进行训练的。我们构建了一个复合数据集CompGTSRB（为AV环境定制的数据集），将德国交通标志识别基准数据集（GTSRB）中的交通标志实例粘贴到未失真背景上，这些背景来自目标平台。使用CompGTSRB训练YOLOv5模型，并生成采用潜在空间优化的生成对抗网络（GAN）的图案，遵循现有的NAP方法。我们在Quanser QCar测试平台上进行一系列实验，利用QCar提供的前置CSI摄像头。对于各种配置，NAPs会降低检测器对STOP类别的置信度。不同的配置包括距离、图案大小和图案放置。这些结果以及详细的分步方法指南表明，CompGTSRB数据集和提出的系统性物理协议对可信的图案评估具有实用价值。该研究进一步激励了研究针对嵌入式感知管道中局部图案损坏的防御措施。